Keras中的多任务学习

我正在尝试在Keras中实现共享层。我确实看到Keras拥有keras.layers.concatenate，但是我从文档中不确定其用法。我可以使用它来创建多个共享层吗？如下所示，使用Keras来实现简单的共享神经网络的最佳方法是什么？

请注意，所有3个NN的输入，输出和共享层的所有形状都相同。三个NN中有多个共享层（和非共享层）。着色层对于每个NN都是唯一的，并且具有相同的形状。

基本上，该图表示具有多个共享隐藏层的3个相同的NN，然后是多个非共享隐藏层。

我不确定如何像Twitter示例中那样共享多个层，只有一个共享层（API文档中的示例）。

通过使用功能性API，您可以轻松地在网络的不同部分之间共享权重。在您的情况下，我们有一个作为输入，那么我们将有一个称为shared 的图层。然后我们将有三个不同的层，分别称为sub1，sub2和sub3，然后是三个输出层，分别为out1，out2和out3。Input $x$DenseDense

x = Input(shape=(n, ))
shared = Dense(32)(x)
sub1 = Dense(16)(shared)
sub2 = Dense(16)(shared)
sub3 = Dense(16)(shared)
out1 = Dense(1)(sub1)
out2 = Dense(1)(sub2)
out3 = Dense(1)(sub3)

我们现在可以这样定义模型：

model = Model(inputs=x, outputs=[out1, out2, out3])

它将期望现在有三个元素的元组/列表，每个输出一个。

这些概念可以使您走得更远。假设我们想学习人员层的各个权重，但仍然希望对输出层的线性组合具有相同的权重，我们可以通过执行以下操作来实现：

out = Dense(1)
out1 = out(sub1)
out2 = out(sub2)
out3 = out(sub3)

编辑：串联基本上是您想要做的相反，它将网络的不同部分的输出（中间）粘贴到新层中。您实际上想拆分成多个不同的部分。