在Keras中，如何成对连接两个不同输入大小的输入？

作为一个激励性的例子，假设我们在一个由异质节点（例如图像和文本）组成的网络中存在一个边缘权重预测问题，并且希望将每一对可能的输入串联起来。以下是一个简单的数据示例：

# two inputs of different shape
x = np.array([[1, 1],
              [2, 2],
              [3, 3]])
y = np.array([[4, 4, 4],
              [5, 5, 5]])

# a predicted feature we'd like to model
z= np.array([0, 1, 1, 0, 0, 0])

joined = np.array([[1, 1, 4, 4, 4], 
                   [1, 1, 5, 5, 5], 
                   [2, 2, 4, 4, 4], 
                   [2, 2, 5, 5, 5], 
                   [3, 3, 4, 4, 4], 
                   [3, 3, 5, 5, 5]])
some_model.fit(inputs=[x,y], outputs=z)

以及一个示例模型（以密集层显示，但在精神上，这可能是任何层或层序列）：

连接是根据另一个答案和输入进行的，但我不确定是否以及如何创建这种模型

在Keras中，有没有一种简单的方法可以实现这一点？

使用

tf.tile（）

，

tf.reforme（）

和

tf.concat（）

：

将tensorflow导入为tf
将numpy作为np导入
x_data=np.array（[[1,1]，
[2, 2],
[3,3]]，dtype=np.float32）
y_data=np.array（[[4,4,4]，
[5,5,5]]，dtype=np.float32）
x=tf.placeholder（tf.float32，shape=（无，2））
y=tf.placeholder（tf.float32，shape=（无，3））
xshape=tf.shape（x）
y形状=tf形状（y）
newshape=（xshape[0]*yshape[0]，xshape[1]+yshape[1]）
xres=tf.tile（x，倍数=[1，yshape[0]]）
xres=tf.reforme（xres[newshape[0]，xshape[1]]
#`x`现在是：[[1.1]
#              [1. 1.]
#              [2. 2.]
#              [2. 2.]
#              [3. 3.]
#              [3. 3.]]
yres=tf.tile（y，倍数=[xshape[0]，1]）
#'y'现在是：[[4.4.4]
#              [5. 5. 5.]
#              [4. 4. 4.]
#              [5. 5. 5.]
#              [4. 4. 4.]
#              [5. 5. 5.]]
res=tf.concat（[xres，yres]，axis=1）#

z是做什么的？哎呀，省去了：）一个我们想作为输出建模的预测功能，编辑以反映。谢谢！你的回答让我意识到我的问题并不是为了解决我真正的问题而写的，这有助于我把注意力集中在我真正想做的事情上。干杯好的，我来看看。