连接或级联多个预训练的 keras 模型

我正在尝试构建一组串联或级联（实际上甚至不知道这是否是正确的定义）的模型。 为了简单起见，我的基本模型如下所示。

                              ----Input----
                                    |
                                  L1-1
                                    |  
                                  L1-2
                                    |
                                  Dense
                                    |
                                 Softmax

我对其中 7 个模型进行了交叉验证训练，并尝试以级联方式包装它们，例如：

            -----------------------Input---------------------
            |       |       |       |       |       |       |       
          L1-1    L1-2    L1-3    L1-4     L1-5   L1-6    L1-7
            |       |       |       |       |       |       |
          L2-1    L2-2    L2-3    L2-4     L2-5   L2-6    L2-7
            |       |       |       |       |       |       |
            |_______|_______|_______|_______|_______|_______|
            |                  Concatenated                 |
            |___________________Dense Layer_________________|
                                    |
                                 SoftMax

每一层都有512神经元，所以最终连接的密集层总共有7*512=3584神经元。

我所做的是：

• 训练所有模型并将它们保存在名为的列表中models[].
• 弹出所有模型中的底部 Softmax 层。

然后我尝试连接它们但收到错误：

Layer merge was called with an input that isn't a symbolic tensor. 

形成级联后我要做的就是冻结所有中间层，除了Concatenated Dense Layer并稍微调整一下。但我被困在所有细节中所解释的地方。

为此，您需要使用函数式 API 模型。这种模型适用于张量。

首先定义一个公共输入张量：

inputTensor = Input(inputShape)

然后，您使用此输入调用每个模型以获取输出张量：

outputTensors = [m(inputTensor) for m in models]

然后将这些张量传递到连接层：

output = Concatenate()(outputTensors) 
output = Dense(...)(output)    
#you might want to use an Average layer instead of these two....

output = Activation('softmax')(output)

最后，定义从起始张量到结束张量的完整模型：

fullModel = Model(inputTensor,output)