Tensorflow 如何像决策树一样在keras函数API中插入逻辑语句？

假设以下网络

#sub model 1
i= Input()
x=Dense(i)
x=Dense(x)  #output [N times 1] array

但是，在这一步中，应用一个函数

f([N times 1]) #return True or False

这样，如果f（）返回1，那么

#sub model 2
y1=concentrate(Input, x) # i.e. Input and [N times 1] 
y1=Dense(y1)            
# notice that it's this dependence of the result from the previous network, 
#i.e. [N times 1] made the importance of training the model as a whole. 

如果f（）返回0，则

#sub model 3
y1=Dense(Input)
y1=Dense(y1)

类似于决策树，但具有用户指定为函数f（）的逻辑

问题:

如何建立这样一个网络并作为一个整体进行培训

（已解决，保留在此处，以便在培训过程中主要描述逻辑）假设达到1，但如果想要将特定的培训模型附加到子模型1，即在培训开始时将

子模型1=模型（i，x）

中的培训参数用于网络。如何实现这样的“模块化培训”

问题1和问题2背后的逻辑解释：人们可能会想，为什么不建立3个神经网络，然后在训练后定义一个函数来连接它们？如前所述，子模型2中的依赖性是此类原因之一。然而，训练子模块的个性，然后将它们融合到一个完整的模型中，将它们训练在一起，可能会有所帮助。这可能会以平方根的顺序节省所需的训练时间，从而解决问题2

---

关于问题1的更新：这样的解决方案之一可能是。但是，这需要修改所有使用的层和最终层。有更好的方法吗？

我不明白，您需要在运行时计算条件还是仅在实例化模型时计算条件？@BestDogeStackoverflow基本上是的。