如何使Keras接收多个输入

      Keras 能够通过其功能 API 处理多个输入（甚至多个输出）。功能 API 与顺序 API（您之前几乎可以肯定通过 Sequential 类使用过）相反，可用于定义更复杂的非顺序模型，包括：

• 多输入模型
• 多输出型号
• 既是多输入又是多输出的模型
• 有向无环图
• 具有共享层的模型

      例如，我们可以将一个简单的顺序神经网络定义为：

model = Sequential()
model.add(Dense(8, input_shape=(10,), activation="relu"))
model.add(Dense(4, activation="relu"))
model.add(Dense(1, activation="linear"))

该网络是一个简单的前馈神经网络，没有 10 个输入，第一个隐藏层有 8 个节点，第二个隐藏层有 4 个节点，最后一个输出层用于回归。

     我们可以使用功能 API 定义示例神经网络：

inputs = Input(shape=(10,))
x = Dense(8, activation="relu")(inputs)
x = Dense(4, activation="relu")(x)
x = Dense(1, activation="linear")(x)
model = Model(inputs, x)

     请注意我们如何不再依赖 Sequential 类。要查看 Keras 函数 API 的强大功能，请考虑以下代码，其中我们创建了一个接受多个输入的模型：

# define two sets of inputs
inputA = Input(shape=(32,))
inputB = Input(shape=(128,))

# the first branch operates on the first input
x = Dense(8, activation="relu")(inputA)
x = Dense(4, activation="relu")(x)
x = Model(inputs=inputA, outputs=x)

# the second branch opreates on the second input
y = Dense(64, activation="relu")(inputB)
y = Dense(32, activation="relu")(y)
y = Dense(4, activation="relu")(y)
y = Model(inputs=inputB, outputs=y)

# combine the output of the two branches
combined = concatenate([x.output, y.output])

# apply a FC layer and then a regression prediction on the
# combined outputs
z = Dense(2, activation="relu")(combined)
z = Dense(1, activation="linear")(z)

# our model will accept the inputs of the two branches and
# then output a single value
model = Model(inputs=[x.input, y.input], outputs=z)

在这里，您可以看到我们为 Keras 神经网络定义了两个输入：

inputA:32-dim
inputB:128-dim

第 2行使用 Keras 的功能 API 定义了一个简单的 32-8-4 网络。同样，第3 行定义了一个 128-64-32-4 网络。然后我们在第 17行合并 x 和 y 的输出。x 和 y 的输出都是 4-dim，所以一旦我们将它们连接起来，我们就有一个 8-dim 向量。然后，我们在第 21 行和第 22 行应用两个全连接层。第一层有 2 个节点，然后是 ReLU 激活，而第二层只有一个具有线性激活的节点（即我们的回归预测）。构建多输入模型的最后一步是定义一个 Model 对象，该对象：

• 接受我们的两个输入
• 将输出定义为最终的 FC 层集（即 z ）。

     如果您要使用 Keras 来可视化模型架构，它将如下所示：

注意我们的模型有两个不同的分支。第一个分支接受我们的 128 维输入，而第二个分支接受 32 维输入。 这些分支相互独立运行，直到它们被连接起来。 从那里从网络输出一个值。