Keras'da çoklu görev öğrenimi

Keras'ta paylaşılan katmanları uygulamaya çalışıyorum. Keras'ın sahip olduğunu görüyorum keras.layers.concatenate, ancak kullanımı ile ilgili belgelerden emin değilim. Birden çok paylaşılan katman oluşturmak için kullanabilir miyim? Keras kullanarak aşağıda gösterildiği gibi basit bir ortak sinir ağını uygulamanın en iyi yolu ne olabilir?

3 NN'nin tümü için giriş, çıkış ve paylaşılan katmanların tüm şekillerinin aynı olduğunu unutmayın. Üç NN'de birden çok paylaşılan katman (ve paylaşılmayan katman) vardır. Renkli katmanlar her NN'ye özgüdür ve aynı şekle sahiptir.

Temel olarak, şekil birden çok paylaşılan gizli katmana sahip 3 özdeş NN'yi ve ardından birden fazla paylaşılmamış gizli katmanı temsil eder.

Twitter örneğinde olduğu gibi birden çok katmanı nasıl paylaşacağımdan emin değilim, sadece bir paylaşılan katman (API belgesinde örnek) vardı.

İşlevsel API'yi kullanarak, ağınızın farklı bölümleri arasındaki ağırlıkları kolayca paylaşabilirsiniz. Sizin durumunuzda bizim olan bir var , o zaman paylaşılan adlı bir katmanımız olacak . Sonra sub1, sub2 ve sub3 adında üç farklı katmanımız olacak ve sonra out1, out2 ve out3 adında üç çıkış katmanımız olacak.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)

Modelimizi şimdi şu şekilde tanımlayabiliriz:

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

Şimdi her çıktı için bir tane olmak üzere üç elemandan oluşan bir grup / liste beklenmektedir.

Bu kavramlarla daha da ileri gidebilirsiniz. Kişi katmanları için bireysel ağırlıkları öğrenmek istediğimizi, ancak yine de çıktı katmanına doğru doğrusal kombinasyon için aynı ağırlıklara sahip olmak istediğimizi, bunu yaparak başarabiliriz:

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

EDIT: Birleştirme temelde yapmak istediğinizin tersidir, ağınızın farklı bölümlerinin çıktılarını yeni bir katmana yapıştırır. Aslında birden fazla farklı parçaya bölünmek istiyorsunuz.