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: 2019/9/29import numpy as npfrom keras.layers import Input, Densefrom keras.models import Modelimport tensorflow as tf# 生成训练集dataset_size = 128*3rdm = 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。