Python 如何水平堆叠Keras模型？

在Keras有可能这样做吗

除模型A、B、C外，所有模型是否水平堆放在一个模型中？我见过一些利用输入层的解决方案，但每当我使用输入层时，当我尝试加载模型时，似乎都会出错。 有没有办法加载所有模型，连接它们，并保存为一个新的更大的模型

---

编辑：我已经培训了所有的模特。我想在事后将它们结合起来。

是的，这在

keras

中是可能的，但这需要一些API的高级知识。特别是，您需要考虑如何计算每个输出相对于输入的损失

我建议查看，也许从和开始

下面是如何使用函数式API创建此类网络的示意图

来自tensorflow导入keras的

输入形状：int=100
输入=keras.Input（形状=（输入形状）
单位：int=64
密度1=层。密度（单位）
密度2=层。密度（单位）
密度3=层。密度（单位）
out1=dense1（输入）
out2=dense2（输入）
out3=dense3（输入）

以下是我的想法，让我们假设您要堆叠以下模型：

model_1 = tf.keras.models.Model(inputs = model_1.input, outputs = model_1_out)

model_2 = tf.keras.models.Model(inputs = model_2.input, outputs = model_2_out)

model_3 = tf.keras.models.Model(inputs = model_3.input, outputs = model_3_out)

如果要堆叠模型，而不是连接其输出：

models = [model_3 , model_2 , model_1]
stacked_model_input = tf.keras.Input(shape=(x, x, x))
model_outputs = [model(stacked_model_input) for model in models]
stacked_model = tf.keras.models.Model(inputs=stacked_model_input, outputs=model_outputs)

模型_输出给出：（此处通过3）

我不知道如何使用它们各自的输出，但这就是如何堆叠它们

---

编辑：您可以通过定义单独的损耗等来使用它们的输出。或者，由于它们是堆叠的，并且输入是共享的，因此您可以获得每个模型的输出，以使用其权重创建新模式。我不知道是否可以从堆叠模型中剪切它们，所以我说获取每个输出。

您是在尝试实现集成学习还是？我不明白每个模型都有单独的输出的目的。我想你可以通过

层来实现。连接
。不过我不确定，但你可以试试。@Frightera我正在做一个多标签分类问题，作为一系列二进制分类网络。在你问之前：是的，这是我100%想要解决问题的方法。我想将模型组合成一个大模型，这样我就可以加载单个模型，而不是等到测试时加载每个模型。我已经训练了所有模型，我只需要组合它们。抱歉不清楚，我将编辑原始问题。嗯。有没有可能做这样的事情，但重量？因为我的每个模型都有相同的体系结构，所以每次保存完整的模型是低效的。我开始认为，即使我合并了它，我也会用完VRAM。堆叠模型是一种新的模型，因此我不认为有更有效的方法来实现这一点，因为模型是经过训练的。我有一个次要问题，可以间接解决这个问题。我曾尝试使用多标签分类来解决这个问题，验证和训练损失都低于0.01，准确率大约为99%，但当我自己测试它时（使用model.predict），我得到的结果非常差。这就是我尝试组合多个模型的原因，因为每个模型都表现得很好。你可以平均每个模型的输出，并对它们进行预测？对于多标签或单独的二进制？
[<KerasTensor: shape=(None, 3) dtype=float32 (created by layer 'model_2')>,
 <KerasTensor: shape=(None, 3) dtype=float32 (created by layer 'model_1')>,
 <KerasTensor: shape=(None, 3) dtype=float32 (created by layer 'model')>]

from tf.keras.models import save_model
save_model(stacked_model , 'model.h5')