Zusammenführen von zwei verschiedenen Modellen in Keras

Ich versuche, zwei Keras-Modelle zu einem einzigen Modell zusammenzuführen, und dies kann ich nicht erreichen.

Zum Beispiel in der beigefügten Figur, würde Ich mag die mittlere Schicht holen die Dimension 8, und das als Eingabe an die Schicht B 1 (der Dimension 8 wieder) in Modell B und dann beiden Modelle kombinieren A und Modell B als ein einziges Modell.$A2$$B1$$B$$A$$B$

Ich benutze das Funktionsmodul, um Modell und Modell B unabhängig voneinander zu erstellen . Wie kann ich diese Aufgabe erfüllen?$A$$B$

Anmerkung : ist die Eingangsschicht zu Modell A und B 1 ist die Eingangsschicht zu Modell B .$A1$$A$$B1$$B$

Ich habe die Antwort auf meine Frage herausgefunden und hier ist der Code, der auf der obigen Antwort aufbaut.

from keras.layers import Input, Dense
from keras.models import Model
from keras.utils import plot_model

A1 = Input(shape=(30,),name='A1')
A2 = Dense(8, activation='relu',name='A2')(A1)
A3 = Dense(30, activation='relu',name='A3')(A2)

B2 = Dense(40, activation='relu',name='B2')(A2)
B3 = Dense(30, activation='relu',name='B3')(B2)

merged = Model(inputs=[A1],outputs=[A3,B3])
plot_model(merged,to_file='demo.png',show_shapes=True)

und hier ist die Ausgabestruktur, die ich wollte:

In Keras gibt es eine hilfreiche Methode zum Definieren eines Modells: Verwenden der funktionalen API . Mit der funktionalen API können Sie gerichtete azyklische Diagramme von Layern definieren, mit denen Sie völlig beliebige Architekturen erstellen können. Betrachten Sie Ihr Beispiel:

#A_data = np.zeros((1,30))
#A_labels = np.zeros((1,30))
#B_labels =np.zeros((1,30))

A1 = layers.Input(shape=(30,), name='A_input')
A2 = layers.Dense(8, activation='???')(A1)
A3 = layers.Dense(30, activation='???', name='A_output')(A2)


B2 = layers.Dense(40, activation='???')(A2)
B3 = layers.Dense(30, activation='???', name='B_output')(B2)

## define A
A = models.Model(inputs=A1, outputs=A3)

## define B
B = models.Model(inputs=A1, outputs=B3) 

B.compile(optimizer='??',
          loss={'B_output': '??'}
          )

B.fit({'A_input': A_data},
  {'B_output': B_labels},
  epochs=??, batch_size=??)

Das war's! Sie können das Ergebnis sehen durch B.summary()::

Layer (type)                 Output Shape              Param    
A_input (InputLayer)         (None, 30)                0         
_________________________________________________________________
dense_8 (Dense)              (None, 8)                 248     
______________________________________________________________
dense_9 (Dense)              (None, 40)                360       
_________________________________________________________________
B_output (Dense)             (None, 30)                1230