Keras 如何在分支模型中加载训练权重

我正在尝试向原始模型添加一个额外的分支，以提高其性能。 更具体地说，原始模型如下所示：

input1 = Input()
x1 = branch1(x1)
x1 = residualnet(x1)
model = Model(inputs = [input1], outputs = x1)

input1 = Input()
input2 = Input()


x1 = branch1(x1)  #1
x2 = branch2(x2)  #2

x1 = concat([x1, x2])

x1 = residualnet(x1) #3
model = Model(inputs = [input1, input2], outputs = x1)

我的改进如下：

input1 = Input()
x1 = branch1(x1)
x1 = residualnet(x1)
model = Model(inputs = [input1], outputs = x1)

input1 = Input()
input2 = Input()


x1 = branch1(x1)  #1
x2 = branch2(x2)  #2

x1 = concat([x1, x2])

x1 = residualnet(x1) #3
model = Model(inputs = [input1, input2], outputs = x1)

---

在这种情况下，我已经将重量训练为

#1

和

#3

。将经过训练的权重应用于这些层的最佳方法是什么？

residualnet经过训练以接收dim N的输入，但您强制它接收dim N+M的输入（由于concat操作）@MarcoCerliani I随后将添加1x1 Conv层以减少dim。谢谢你有关于加载训练重量的建议吗？branch1/2和ResistualNet子模型？