Keras 是否可以使用两个输入的相同模型进行训练？

你好，我有个问题要问凯拉斯

目前我想实现一些网络

使用相同的cnn模型，并使用两幅图像作为cnn模型的输入

并利用cnn模型的两个结果，提供给稠密模型

比如说

def cnn_model():
   input = Input(shape=(None, None, 3))
   x = Conv2D(8, (3, 3), strides=(1, 1))(input)
   x = GlobalAvgPool2D()(x)
   model = Model(input, x)

   return model

def fc_model(cnn1, cnn2):
   input_1 = cnn1.output
   input_2 = cnn2.output
   input = concatenate([input_1, input_2])
   x = Dense(1, input_shape=(None, 16))(input)
   x = Activation('sigmoid')(x)
   model = Model([cnn1.input, cnn2.input], x)

   return model

def main():
   cnn1 = cnn_model()
   cnn2 = cnn_model()
   model = fc_model(cnn1, cnn2)
   model.compile(optimizer='adam', loss='mean_squared_error')
   model.fit(x=[image1, image2], y=[1.0, 1.0], batch_size=1, ecpochs=1)

我想实现类似这样的模型，并训练模型

但我收到如下错误消息：

'所有图层名称都应该是唯一的'

实际上我只想使用一个CNN模型作为特征提取器，最后使用两个特征预测一个浮点值为0.0~1.0

所以整个系统-->> 使用两幅图像，从同一CNN模型中提取特征，并将特征提供给稠密模型，得到一个浮点值

请帮我实施这个系统，以及如何进行培训

---

谢谢

请参阅Keras文档中关于共享层的部分：

上面文档中的代码片段演示了这一点：

# This layer can take as input a matrix
# and will return a vector of size 64
shared_lstm = LSTM(64)

# When we reuse the same layer instance
# multiple times, the weights of the layer
# are also being reused
# (it is effectively *the same* layer)
encoded_a = shared_lstm(tweet_a)
encoded_b = shared_lstm(tweet_b)

# We can then concatenate the two vectors:
merged_vector = keras.layers.concatenate([encoded_a, encoded_b], axis=-1)

# And add a logistic regression on top
predictions = Dense(1, activation='sigmoid')(merged_vector)

# We define a trainable model linking the
# tweet inputs to the predictions
model = Model(inputs=[tweet_a, tweet_b], outputs=predictions)

model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['accuracy'])
model.fit([data_a, data_b], labels, epochs=10)

---

错误消息与您提供的代码不匹配，请提供生成真实错误消息的示例。