不确定是否有适当的方法来执行此操作，但是看来，这种“ gambiarra”可能效果很好。
制作一个将两个或多个模型并行连接的模型。唯一的缺点是：并行训练和预测它们时，需要相同数量的输入样本。
如何与功能性API模型并行使用两个模型：
input1 = Input(inputShapeOfModel1)input2 = Input(inputShapeOfModel2)output1 = model1(input1)output2 = model2(input2) #it could be model1 again, using model1 twice in parallel.parallelModel = Model([input1,input2], [output1,output2])
您可以使用此模型进行训练和预测，并传递并行输入和输出数据：
parallelModel.fit([x_train1, x_train2], [y_train1, y_train2], ...)
工作测试代码：
from keras.layers import *from keras.models import Model, Sequentialimport numpy as np#simulating two "existing" modelsmodel1 = Sequential()model2 = Sequential()#creating "existing" model 1model1.add(Conv2D(10,3,activation='tanh', input_shape=(20,20,3)))model1.add(Flatten())model1.add(Dense(1,activation='sigmoid'))#creating "existing" model 2model2.add(Dense(20, input_shape=(2,)))model2.add(Dense(3))#part containing the proposed answer: joining the two models in parallelinp1 = Input((20,20,3))inp2 = Input((2,))out1 = model1(inp1)out2 = model2(inp2)model = Model([inp1,inp2],[out1,out2])#treat the new model as any other modelmodel.compile(optimizer='adam', loss='mse')#dummy input data x and y, for models 1 and 2x1 = np.ones((30,20,20,3))y1 = np.ones((30,1))x2 = np.ones((30,2))y2 = np.ones((30,3))#training the model and predictingmodel.fit([x1,x2],[y1,y2], epochs = 50)ypred1,ypred2 = model.predict([x1,x2])print(ypred1.shape)print(ypred2.shape)
先进的解决方案-分组数据以提高速度并匹配样品量
由于此方法将在两个模型之间同步批处理，因此仍有更多空间可以进行优化。因此，如果一个模型比另一个模型快得多，则快速模型将调整为慢速模型的速度。
另外，如果批次数量不同，则需要单独训练/预测一些剩余数据。
如果将输入数据分组并在带有Lambda层的模型中使用一些自定义重塑，则可以在这些限制中解决这些问题，在Lambda层中，您可以在开始时重塑批处理尺寸，然后在结束时进行重塑。
例如，如果
x1有300个样本并且
x2有600个样本，则可以调整输入和输出的形状：
x2 = x2.reshape((300,2,....))y2 = y2.reshape((300,2,....))
在之前和之后
model2，您可以使用：
#beforeLambda(lambda x: K.reshape(x,(-1,....))) #transforms in the inner's model input shape#afterLambda(lambda x: K.reshape(x, (-1,2,....))) #transforms in the grouped shape for output
....原始输入和输出形状在哪里（不考虑batch_size）。
然后，您需要考虑最好的方法是组数据同步数据大小，或组数据同步速度。
（与下一个解决方案相比，优点是：您可以轻松地按任意数字分组，例如2、5、10、200 .....）
先进的解决方案-多次使用同一模型，以双倍速度
您也可以并行使用同一模型两次，例如在此代码中。这可能会使其速度提高一倍。
from keras.layers import *from keras.models import Model, Sequential#import keras.backend as Kimport numpy as np#import tensorflow as tf#simulating two "existing" modelsmodel1 = Sequential()model2 = Sequential()#model 1model1.add(Conv2D(10,3,activation='tanh', input_shape=(20,20,3)))model1.add(Flatten())model1.add(Dense(1,activation='sigmoid'))#model 2model2.add(Dense(20, input_shape=(2,)))model2.add(Dense(3))#joining the modelsinp1 = Input((20,20,3))#two inputs for model 2 (the model we want to run twice as fast)inp2 = Input((2,))inp3 = Input((2,))out1 = model1(inp1)out2 = model2(inp2) #use model 2 onceout3 = model2(inp3) #use model 2 twicemodel = Model([inp1,inp2,inp3],[out1,out2,out3])model.compile(optimizer='adam', loss='mse')#dummy data - remember to have two inputs for model 2, not repeatedx1 = np.ones((30,20,20,3))y1 = np.ones((30,1))x2 = np.ones((30,2)) #first input for model 2y2 = np.ones((30,3)) #first output for model 2x3 = np.zeros((30,2)) #second input for model 2y3 = np.zeros((30,3)) #second output for model 2model.fit([x1,x2,x3],[y1,y2,y3], epochs = 50)ypred1,ypred2,ypred3 = model.predict([x1,x2,x3])print(ypred1.shape)print(ypred2.shape)print(ypred3.shape)
与以前的解决方案相比的优势：操作数据和自定义重塑的麻烦更少。
