Keras中的模型合并有何意义？

我了解到Keras具有根据以下功能“合并”两个模型的功能：

from keras.layers import Merge

left_branch = Sequential()
left_branch.add(Dense(32, input_dim=784))

right_branch = Sequential()
right_branch.add(Dense(32, input_dim=784))

merged = Merge([left_branch, right_branch], mode='concat')

Mergint神经网络有什么意义，在什么情况下有用？这是一种整体建模吗？在性能上，几种“模式”（concat，avg，点等...）之间有什么区别？

出于多种原因使用它，基本上是将多个网络连接在一起。一个很好的例子是您有两种类型的输入，例如标签和图像。您可以建立一个网络，例如具有：

图像->转化->最大合并->转化->最大合并->密集

标记->嵌入->密集层

要将这些网络组合成一个预测并一起训练，可以在最终分类之前合并这些密集层。

具有多个输入的网络是它们最“明显”的用法，这是在RNN内将单词和图像结合在一起的图片，“多峰”部分是将两个输入合并的地方：

另一个示例是Google的Inception层，在该层中，您可以将不同的卷积加在一起，然后再进入下一层。

要将多个输入馈送给Keras，您可以传递数组列表。在单词/图像示例中，您将有两个列表：

x_input_image = [image1, image2, image3]
x_input_word = ['Feline', 'Dog', 'TV']
y_output = [1, 0, 0]

然后，您可以适合以下情况：

model.fit(x=[x_input_image, x_input_word], y=y_output]