Keras 是否有一种方法可以合并具有不同样本/批次大小的KERA中的层，以及关于合并层的问题

我一直在寻找我的具体问题的答案，但没有在这里看到任何这样的帖子。任何帮助都将不胜感激

关于在keras中合并层，我有两个问题。我构建了一个模型，在输出之前将两个模型之间的层连接起来。由于我的数据的性质，来自双方的输入（样本大小）将不同，但是合并层将是有益的，因为两个数据源都属于数据中的同一类，因此很高兴看到当两个模型在输出之前共享数据时，分类是如何进行的

我想知道是否有一种方法可以从两侧使用不同的样本大小，因为如果数据大小不同，在拟合模型时会出现数组长度错误

我解决这个问题的方法是，通过简单地复制数据直到达到正确的维度，使模型的左分支（其输入样本大小小于右侧数据）与右侧的长度相同，即

左列：140个样品，右列180个样品。。。对于train left，我将行1:40添加到数据的底部，使其成为180个样本

这是否足以解决这个问题

我的模型代码如下所示：

left_branch_input = Input(shape=(5078,), name='Left_input')
left_branch_output = Dense(64, activation='relu', name="middle_layer")(left_branch_input)
left_branch_output_2=Dense(32, activation="relu", name="second_layer")(left_branch_output)
left_branch_output_3=Dense(100, activation="relu", name="penultimate_layer")(left_branch_output_2)

right_branch_input = Input(shape=(5078,), name='right_input')
right_branch_output = Dense(64, activation='relu', name="middle_layerR")(right_branch_input)
right_branch_output_2=Dense(32, activation="relu", name="second_layerR")(right_branch_output)
right_branch_output_3=Dense(100, activation="relu", name="penultimate_layerR")(right_branch_output_2)

concat = concatenate([left_branch_output_3, right_branch_output_3], name='Concatenate')

final_model_output = Dense(24, activation='sigmoid')(concat)
final_model = Model(inputs=[left_branch_input, right_branch_input], outputs=final_model_output,
                    name='Final_output' )


final_model.compile(optimizer='adam', loss='binary_crossentropy', metrics=["accuracy"])


sum_vector = np.array(y_train.astype(bool) + y_trainSC.astype(bool), dtype=int)

historyMerged=final_model.fit([X_train, X_trainSC], sum_vector,
          epochs=200,
          verbose=1,
          validation_split=0.15,
          callbacks=[EarlyStopping(monitor='val_loss', patience=5)], shuffle=True)

模型可以编译和拟合，性能也不错，但是作为一个健全性检查，我想问一下添加样本（通过重复[length required]的方法是否可行？是否有办法忽略来自不同分支的样本大小

由于这是一个二元交叉熵多标签问题，两个数据集中样本的顺序不会完全重叠。例如，对于左分支，行是Organ1 age 1，对于右分支，第一个样本是Organ2 age 2。这有关系吗？或者类是否根据一个热编码数据运行模型，因为这是是否真的很重要？它所在的类与顺序相反…model.predict函数实际上为两个数据集获取了正确的数据，因此，对于左分支和右分支中相同的数据，合并层可能使用两个分支的权重来查找相似性和特征，以改进分类：

最后，我有一个关于合并层的模型摘要的问题

在此方面的任何帮助和建议都将不胜感激！我对迄今为止的性能感到满意，但希望绝对确保订单以及重复数据是解决此问题的有效方法

---

谢谢！

您的问题似乎是如何连接具有不同形状的张量。这是一个可以在Colab中运行的简单示例：

import tensorflow as tf
keras = tf.keras

from keras.models import Model
from keras.layers import *

in_a = Input(shape=(10,))
in_b = Input(shape=(20,))
join = Concatenate(axis=1)([in_a, in_b])
h1 = Dense(10)(join)
out = Dense(1, activation='sigmoid')(h1)
model = Model([in_a, in_b], out)
model.compile('adam', 'mse')
model.summary()

关键点是要连接的“轴”参数

---

我不确定我是否理解你的第二个问题。左分支和右分支中的功能根本不需要关联。这些功能可能完全不同。

非常感谢你的快速响应！实际上我更希望有一个连接层，就像在我的第一篇文章中一样。我对它的形成感到满意。但是当我适合模型中，我必须使两个训练数据集的长度相同，否则会引发错误：因此，我通过复制末尾的行，使最短的训练数据相同，直到它们的长度相同。左侧的训练集和右侧的训练集（在拟合模型时）是真的吗不需要匹配？因此trainleft分支的第一行不必与右侧相同？您可以在一个模型中有多个输入。它们的批量大小形状（尺寸0）必须匹配。其他维度可以不同。只要批量大小相同，您甚至可以混合多个不同维度。例如，具有形状序列（批量大小、序列长度、n特征）和第二个形状输入（批量大小、m特征）的情况并不少见例如，左分支训练中的第1行不必是狗的文字描述，右分支训练数据的第1行也不必是狗的右图像？只要一个热编码正确，因为它是二进制交叉熵，来自两个分支的训练数据的顺序不必匹配？这是正确的JU吗t澄清？非常感谢！！是的，谢谢你，这很有意义！！因此，如果两者不匹配，可以复制数据来解决此问题吗？然后，如上所述，只要一个热编码是正确的，行就不匹配吗？多个输入必须是大约相同的示例。即，左输入的第N行和右输入的第N行正确的输入必须是关于同一个对象的。信息可以是你收集的任何数据，只要它可以表示为张量。