不确定是否有适当的方法可以做到这一点，但这个“gambiarra”似乎效果很好。
制作一个模型，将两个或多个模型并行连接在一起。唯一的缺点是：并行训练和预测时需要相同数量的输入样本。
如何将两个模型与函数式 API 模型并行使用：
input1 = Input(inputShapeOfModel1)
input2 = Input(inputShapeOfModel2)
output1 = model1(input1)
output2 = model2(input2) #it could be model1 again, using model1 twice in parallel.
parallelModel = Model([input1,input2], [output1,output2])
您可以使用此模型进行训练和预测，传递并行输入和输出数据：
parallelModel.fit([x_train1, x_train2], [y_train1, y_train2], ...)
工作测试代码：
from keras.layers import *
from keras.models import Model, Sequential
import numpy as np
#simulating two "existing" models
model1 = Sequential()
model2 = Sequential()
#creating "existing" model 1
model1.add(Conv2D(10,3,activation='tanh', input_shape=(20,20,3)))
model1.add(Flatten())
model1.add(Dense(1,activation='sigmoid'))
#creating "existing" model 2
model2.add(Dense(20, input_shape=(2,)))
model2.add(Dense(3))
#part containing the proposed answer: joining the two models in parallel
inp1 = Input((20,20,3))
inp2 = Input((2,))
out1 = model1(inp1)
out2 = model2(inp2)
model = Model([inp1,inp2],[out1,out2])
#treat the new model as any other model
model.compile(optimizer='adam', loss='mse')
#dummy input data x and y, for models 1 and 2
x1 = np.ones((30,20,20,3))
y1 = np.ones((30,1))
x2 = np.ones((30,2))
y2 = np.ones((30,3))
#training the model and predicting
model.fit([x1,x2],[y1,y2], epochs = 50)
ypred1,ypred2 = model.predict([x1,x2])
print(ypred1.shape)
print(ypred2.shape)
高级解决方案 - 对数据进行分组以提高速度并匹配样本量
仍有进一步优化的空间，因为这种方法将同步两个模型之间的批次。因此，如果一个模型比另一个模型快得多，则快速模型将适应慢速模型的速度。
此外，如果您有不同数量的批次，您将需要单独训练/预测一些剩余数据。
如果您对输入数据进行分组，并在带有 Lambda 层的模型中使用一些自定义重塑，您也可以解决这些限制，在开始时重塑批量维度，然后在最后恢复它。
例如，如果x1有 300 个样本x2有 600 个样本，您可以重塑输入和输出：
x2 = x2.reshape((300,2,....))
y2 = y2.reshape((300,2,....))
之前和之后model2， 你用：
#before
Lambda(lambda x: K.reshape(x,(-1,....))) #transforms in the inner's model input shape
#after
Lambda(lambda x: K.reshape(x, (-1,2,....))) #transforms in the grouped shape for output
Where ....是原始输入和输出形状（不考虑batch_size）。
那么你需要思考哪个最好，分组数据来同步数据大小还是分组数据来同步速度。
（相比下一个解决方案的优点：可以轻松地按任意数字进行分组，例如2、5、10、200......）
高级解决方案 - 多次并行使用同一模型以加倍速度
您还可以并行使用同一模型两次，例如在此代码中。这可能会使速度加倍。
from keras.layers import *
from keras.models import Model, Sequential
#import keras.backend as K
import numpy as np
#import tensorflow as tf
#simulating two "existing" models
model1 = Sequential()
model2 = Sequential()
#model 1
model1.add(Conv2D(10,3,activation='tanh', input_shape=(20,20,3)))
model1.add(Flatten())
model1.add(Dense(1,activation='sigmoid'))
#model 2
model2.add(Dense(20, input_shape=(2,)))
model2.add(Dense(3))
#joining the models
inp1 = Input((20,20,3))
#two inputs for model 2 (the model we want to run twice as fast)
inp2 = Input((2,))
inp3 = Input((2,))
out1 = model1(inp1)
out2 = model2(inp2) #use model 2 once
out3 = model2(inp3) #use model 2 twice
model = Model([inp1,inp2,inp3],[out1,out2,out3])
model.compile(optimizer='adam', loss='mse')
#dummy data - remember to have two inputs for model 2, not repeated
x1 = np.ones((30,20,20,3))
y1 = np.ones((30,1))
x2 = np.ones((30,2)) #first input for model 2
y2 = np.ones((30,3)) #first output for model 2
x3 = np.zeros((30,2)) #second input for model 2
y3 = np.zeros((30,3)) #second output for model 2
model.fit([x1,x2,x3],[y1,y2,y3], epochs = 50)
ypred1,ypred2,ypred3 = model.predict([x1,x2,x3])
print(ypred1.shape)
print(ypred2.shape)
print(ypred3.shape)
与以前的解决方案相比的优点：操作数据和自定义重塑的麻烦更少。
