Wielozadaniowe uczenie się w Keras

Próbuję zaimplementować współdzielone warstwy w Keras. Widzę, że Keras ma keras.layers.concatenate, ale nie jestem pewien z dokumentacji dotyczącej jego użycia. Czy mogę go używać do tworzenia wielu współdzielonych warstw? Jaki byłby najlepszy sposób na wdrożenie prostej wspólnej sieci neuronowej, jak pokazano poniżej przy użyciu Keras?

Zauważ, że wszystkie kształty warstw wejściowych, wyjściowych i współdzielonych dla wszystkich 3 NN są takie same. Istnieje wiele współdzielonych warstw (i nieudostępnionych warstw) w trzech NN. Kolorowe warstwy są unikalne dla każdego NN i mają ten sam kształt.

Zasadniczo rysunek przedstawia 3 identyczne NN z wieloma współdzielonymi ukrytymi warstwami, a następnie z wieloma nieudostępnionymi ukrytymi warstwami.

Nie jestem pewien, jak udostępniać wiele warstw, ponieważ w przykładzie na Twitterze była tylko jedna udostępniona warstwa (przykład w dokumencie API).

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)

Możemy teraz zdefiniować nasz model w następujący sposób:

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

Oczekuje teraz krotki / listy trzech elementów, po jednym dla każdego wyjścia.

Dzięki tym koncepcjom możesz pójść znacznie dalej. Powiedzmy, że chcielibyśmy nauczyć się indywidualnych wag dla warstw osoby, ale nadal chcemy mieć takie same wagi dla kombinacji liniowej w kierunku warstwy wyjściowej, możemy to osiągnąć, wykonując to:

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

EDYCJA: Łączenie jest w zasadzie przeciwieństwem tego, co chcesz zrobić, to wklejanie (pośrednich) wyników różnych części sieci do nowej warstwy. Naprawdę chcesz podzielić na wiele różnych części.