Kerasには次のように2つのモデルを「マージ」する機能があることを知りました。
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 NNのポイントは何ですか？どのような状況で役立ちますか？一種のアンサンブルモデリングですか？パフォーマンスの意味でのいくつかの「モード」（連結、平均、ドットなど...）の違いは何ですか？
回答:
これはいくつかの理由で使用されます。基本的には、複数のネットワークを結合するために使用されます。良い例は、タグと画像など、2種類の入力がある場合です。たとえば、次のようなネットワークを構築できます。
画像->変換->最大プーリング->変換->最大プーリング->密
タグ->埋め込み->高密度レイヤー
これらのネットワークを1つの予測に組み合わせ、それらを一緒にトレーニングするには、最終的な分類の前にこれらの高密度レイヤーをマージできます。
複数の入力があるネットワークは、それらの最も「明白な」使用法です。これは、RNN内で単語と画像を組み合わせる画像です。マルチモーダルパーツは、2つの入力がマージされる場所です。
別の例は、次のレイヤーに到達する前に追加されるさまざまな畳み込みがあるGoogleのInceptionレイヤーです。
Kerasに複数の入力を供給するために、配列のリストを渡すことができます。word / imageの例では、2つのリストがあります。
x_input_image = [image1, image2, image3]
x_input_word = ['Feline', 'Dog', 'TV']
y_output = [1, 0, 0]
次に、次のようにフィットできます。
model.fit(x=[x_input_image, x_input_word], y=y_output]model.fit()、フィッティングにXとyの両方を受け入れmodel、この場合、「非マージ」モデルにすることもできます。たとえば、Sklearnの他のモデルタイプとよく似ています。