如何在keras tensorflow中合并两个模型以生成一个模型

我有两个预训练的模型，一个用于年龄分类，另一个用于性别分类。我想制作年龄性别分类器网络，所以我想合并两个网络并从同一网络预测年龄和性别。

我尝试的是

from keras.models import load_model

model_age = load_model(model_age_path)
model_gender = load_model(model_gender_path)

我如何合并两个模型并训练同时执行这两个任务的网络

这取决于“合并”对您意味着什么。
如果您想从单个输入中输出年龄和性别，那么您需要多个“头”：

from keras import Input
from keras.models import load_model

model_age = load_model('age.hdf5')
model_gender = load_model('gender.hdf5')

x = Input(shape=[299, 299, 3])
y_age = model_age(x)
y_gen = model_gender(x)

model = Model(inputs=x, outputs=[y_age, y_gen])

data, target = load_data()
p_age, p_gender = model.predict(data)

print(p_age)
# [[ 0.57398415,  0.42601582],
#  [ 0.5397228 ,  0.46027723],
#  [ 0.6648131 ,  0.33518684],
#  [ 0.5917415 ,  0.4082585 ]]

print(p_gender)
# [[ 0.13119246],
#  [ 0.        ],
#  [ 0.1875571 ],
#  [ 0.        ]]

但现在考虑一下：这两项任务（年龄回归、性别分类）在某种程度上都有一定程度的相似性，对吧？例如，如果您的数据由图像组成，则两者都需要检测线条、补丁和简单的几何形式才能做出决定。换句话说，两个网络都可以重用许多卷积层的权重，从而使整个过程更加高效。 您可以通过训练一个同时完成这两件事的新模型来实现此目的：

from keras.applications import VGG19

base_model = VGG19(weights='imagenet')  # or any model, really.
y = base_model.output
y_age = Dense(1, activation='relu')(y)

y = base_model.output
y = Dense(128, activation='relu')(y)
y = Dense(128, activation='relu')(y)
y_gender = Dense(2, activation='softmax')(y)

model = Model(inputs=base_model.inputs, outputs=[y_age, y_gender])