Python 如何在Keras的一个模型中使用同一层/模型两次？

我正在尝试制作一个组合模型，它通过一个子模型（编码器）一次传递两个不同的图像，然后将两个结果连接起来，并将它们提供给最终的子模型，最终的子模型根据这两个潜在表示做出决策。我想对两幅图像使用相同的编码器以减少训练时间，因为如果我需要对图像进行编码，我只需要一个编码器？（我应该注意到，图像是相似的）

在制作编码器和最终子模型之后，我尝试使用以下行制作最终组合模型：

combinedModel = keras.Model(inputs=[encoder.input, encoder.input], outputs=finalSubModel)

Keras不喜欢我像这样两次使用相同的模型，它给了我以下错误：

ValueError: The list of inputs passed to the model is redundant. All inputs should only appear once. Found: [<tf.Tensor 'input_2:0' shape=(None, 32, 32, 1) dtype=float32>, <tf.Tensor 'input_2:0' shape=(None, 32, 32, 1) dtype=float32>]

ValueError：传递到模型的输入列表是冗余的。所有输入只应出现一次。找到：[，]

---

在keras中，是否可能在一个模型中使用同一子模型两次，或者我是否必须为im使用的两种不同类型的图像使用单独的编码器？

假设您有一个使用以下功能构建的模型：

def make_encoder(h, w, c):
    inp = Input((h, w, c))
    x = SomeLayer()(inp)
    x = SomeLayer()(x)
    ....
    out = OutLayer()(x)
    return Model(inputs=[inp], outputs=[out])

现在，要创建一个组合模型，您需要为每个调用使用具有不同

输入层的相同编码器。要理解最后一行，请查看以下内容：

def make_combined(h, w, c):
    inp1 = Input((h, w, c))
    inp2 = Input((h, w, c))
    encoder = make_encoder(h, w, c)

    encoded_1 = encoder(inp1)
    encoded_2 = encoder(inp2)

    # Concatenate the result
    encoded_out = Concatenate()([encoded_1, encoded_2])

    return Model(inputs=[inp1, inp2], outputs=[encoded_out])

注意，我使用两个不同的虚拟
Input
层为同一个编码器提供单独的输入