在keras中连接多个CNN模型

我有8个CNN模型，分别为模型1、模型2、模型3、模型4、模型5、模型6、模型7、模型8，每个模型都有conv2d、激活、最大池和退出层。我希望将它们的输出连接起来，将其展平，最后进行编译并使其适合于分类目的，如下图所示：

我对连接、合并和拟合感到困惑。例如，我可以使用

model1.add（flatte）

单独展平每个模型并将它们连接起来，还是必须连接并展平所有模型？我的python代码如下：

merge = Concatenate([model1, model2, model3, model4, model5, model6, model7, model8])
concat_model = Sequential()
concat_model.add(merge)
concat_model.add(Flatten())
concat_model.add(Dense(128))
concat_model.add(Activation("relu"))
concat_model.add(BatchNormalization())
concat_model.add(Dropout(0.5))

concat_model.add(Dense(classes))
concat_model.add(Activation("softmax"))

concat_model.compile(loss="categorical_crossentropy", optimizer= opt, metrics=["accuracy"])

concat_model.fit_generator(aug.flow(trainX, trainY, batch_size=BS),validation_data=(testX, testY), steps_per_epoch=len(trainX) // BS, epochs=EPOCHS, verbose=1)        

当我运行该程序时，出现以下错误：

RuntimeError: You must compile your model before using it.

有什么问题？如何连接、编译、训练？任何人都可以帮助我，任何信息都会有帮助。

从文档中可以看出，“Keras函数API是定义复杂模型的方法，例如多输出模型、有向无环图或具有共享层的模型。”因此，使用函数API更好

可以在单个模型中展平，然后按照上面的示例所示进行连接。在你的情况下，你最终会得到这样的东西

最终模型=模型（[输入1，输入2，…输入8]，面概率）

具有两个分支的最小示例：

from keras.layers import Conv2D, MaxPooling2D, Input, Dense, Flatten, concatenate
from keras.models import Model
import numpy as np

digit_a = Input(shape=(27, 27, 1))
x = Conv2D(64, (3, 3))(digit_a)
x = Conv2D(64, (3, 3))(x)
x = MaxPooling2D((2, 2))(x)
out_a = Flatten()(x)

digit_b = Input(shape=(27, 27, 1))
x = Conv2D(64, (3, 3))(digit_b)
x = Conv2D(64, (3, 3))(x)
x = MaxPooling2D((2, 2))(x)
out_b = Flatten()(x)

concatenated = concatenate([out_a, out_b])
out = Dense(1, activation='sigmoid')(concatenated)
model = Model([digit_a, digit_b], out)
print(model.summary())
model.compile('sgd', 'binary_crossentropy', ['accuracy'])
X = [np.zeros((1,27,27,1))] * 2
y = np.ones((1,1))
model.fit(X, y)

---

要回答这个问题，你不能用Tensorflow 2中的Keras轻松地用2个模型概括这个例子。如果不创建中间模型，则不能连接三个模型。 使用三个模型，模型1、模型2、模型3，您可以执行以下操作：

# concatenate two models, doesn't three
concat_a = tf.keras.layers.concatenate([model1.output, 
                                      model2.output])
model_a = tf.keras.Model([model1.input, model2.input], concat_a)

concat = tf.keras.layers.concatenate([model_a.output, 
                                        model3.output])

dense = tf.keras.layers.Dense(1024)(concat)
relu = tf.keras.layers.LeakyReLU(alpha=0.3)(dense)
normalize = tf.keras.layers.BatchNormalization()(relu)
out = tf.keras.layers.Dense(10, activation='softmax', name='output_layer')(normalize)

# nested list
model = tf.keras.Model([[model_1.input, model_2.input], model_3.input], out)

model.summary()

optimizer = RMSprop()

model.compile(loss='categorical_crossentropy',
              optimizer=optimizer,
              metrics=['accuracy'])

# simple list
history = model.fit([trainX, trainX, trainX], trainY)

---

我正在尝试类似的事情，但它需要多个输入，而不是1。我想把8个不同的模型组合成一个模型，所有的模型都有不同的输出，例如，我想把一个组合成一个输出。