在网上搜过发现关于keras下的模型融合框架其实很简单，奈何网上说了一大堆，这个东西官方文档上就有，自己写了个demo：
# Function：基于keras框架下实现，多个独立任务分类
# Writer: PQF
# Time: 2019/9/29
import numpy as np
from keras.layers import Input, Dense
from keras.models import Model
import tensorflow as tf
# 生成训练集
dataset_size = 128*3
rdm = np.random.RandomState(1)
X = rdm.rand(dataset_size,2)
Y1 = [[int(x1+x2<1)] for (x1,x2) in X]
Y2 = [[int(x1+x2*x2<0.5)] for (x1,x2) in X]
X_train = X[:-2]
Y_train1 = Y1[:-2]
Y_train2 = Y2[:-2]
X_test = X[-2:dataset_size]
Y_test1 = Y1[-2:dataset_size]
Y_test2 = Y2[-2:dataset_size]
#网络一
input = Input(shape=(2,))
x = Dense(units=16,activation='relu')(input)
output = Dense(units=1,activation='sigmoid',name='output1')(x)
#网络二
input2 = Input(shape=(2,))
x2 = Dense(units=16,activation='relu')(input2)
output2 = Dense(units=1,activation='sigmoid',name='output2')(x2)
#模型合并
model = Model(inputs=[input,input2],outputs=[output,output2])
model.summary()
model.compile(optimizer='rmsprop',loss='binary_crossentropy',loss_weights=[1.0,1.0])
model.fit([X_train,X_train],[Y_train1,Y_train2],batch_size=48,epochs=200)
print('x_test is :\n')
print(X_test)
print('y_test1 is :\n')
print(Y_test1)
print('y_test2 is :\n')
print(Y_test2)
predict = model.predict([X_test,X_test])
print('prediction is : \n')
print(predict[0])
print(predict[1])
补充知识：keras的融合层使用理解
最近开始研究U-net网络，其中接触到了融合层的概念，做个笔记。
上图为U-net网络，其中上采样层（绿色箭头）需要与下采样层池化层（红色箭头）层进行融合，要求每层的图片大小一致，维度依照融合的方式可以不同，融合之后输出的图片相较于没有融合层的网络，边缘处要清晰很多！
这时候就要用到keras的融合层概念（Keras中文文档https://keras.io/zh/）
文档中分别讲述了加减乘除的四中融合方式，这种方式要求两层之间shape必须一致。
重点讲述一下Concatenate（拼接）方式
拼接方式默认依照最后一维也就是通道来进行拼接
如同上图（128*128*64）与（128*128*128）进行Concatenate之后的shape为128*128*192
ps：
中文文档为老版本，最新版本的keras.layers.merge方法进行了整合
上图为新版本整合之后的方法，具体使用方法一看就懂，不再赘述。
以上这篇在keras下实现多个模型的融合方式就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持脚本之家。
