在keras下實現多個模型的融合方式

在網上搜過發現關於keras下的模型融合框架其實很簡單，奈何網上說了一大堆，這個東西官方文檔上就有，自己寫了個demo：

  # Function：基於keras框架下實現，多個獨立任務分類  # 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    # 生成訓練集  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]    #網絡一  input = Input(shape=(2,))  x = Dense(units=16,activation='relu')(input)  output = Dense(units=1,activation='sigmoid',name='output1')(x)    #網絡二  input2 = Input(shape=(2,))  x2 = Dense(units=16,activation='relu')(input2)  output2 = Dense(units=1,activation='sigmoid',name='output2')(x2)    #模型合併  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 : ')  print(X_test)  print('y_test1 is : ')  print(Y_test1)  print('y_test2 is : ')  print(Y_test2)    predict = model.predict([X_test,X_test])  print('prediction is :  ')  print(predict[0])  print(predict[1])

補充知識：keras的融合層使用理解

最近開始研究U-net網絡，其中接觸到了融合層的概念，做個筆記。

上圖為U-net網絡，其中上採樣層（綠色箭頭）需要與下采樣層池化層（紅色箭頭）層進行融合，要求每層的圖片大小一致，維度依照融合的方式可以不同，融合之後輸出的圖片相較於沒有融合層的網絡，邊緣處要清晰很多！

這時候就要用到keras的融合層概念（Keras中文文檔https://keras.io/zh/）

文檔中分別講述了加減乘除的四中融合方式，這種方式要求兩層之間shape必須一致。

重點講述一下Concatenate（拼接）方式

拼接方式默認依照最後一維也就是通道來進行拼接

如同上圖（128*128*64）與（128*128*128）進行Concatenate之後的shape為128*128*192

ps：

中文文檔為老版本，最新版本的keras.layers.merge方法進行了整合

上圖為新版本整合之後的方法，具體使用方法一看就懂，不再贅述。