有一个科学文档实现了卷积神经网络来对3 种不同类型的数据进行分类，尽管我不知道具体如何。

以下是网络架构的解释：

本节描述了我们的神经网络的架构，如图 3 所示。 我们的网络具有三种类型的输入：屏幕截图（我们使用尺寸为 1280 × 1280 的页面的上部裁剪，但是该网络可以处理任意大小的页面），TextMaps（尺寸为 的张量）和候选框（任意长度的框坐标列表）。$128 \times 160 \times 160$

屏幕截图由三个卷积层处理（前两层使用来自 BVLC AlexNet 的预训练权重进行初始化）。TextMaps使用内核大小为的卷积层进行处理，因此其特征可以捕获各种单词组合。然后将这两层连接起来并由最终的卷积层处理。$1 \times 1$

我们的网络在上述三种输入中究竟暗示了什么？卷积神经网络是否有可能以不同的方式传递不同类型的输入？

据我了解，屏幕截图输入的神经网络将像这样创建：

def CNN(features, labels, mode):
  input_layer = tf.reshape(image, [-1, 1280, 1280, 1])

  # Conv+ReLU
  conv_relu_1 = tf.layers.conv2d(
      inputs=input_layer,
      filters=96,
      kernel_size=[11, 11],
      padding="same",
      activation=tf.nn.relu)

  # MaxPool
  pool1 = tf.layers.max_pooling2d(inputs=conv1, pool_size=[3, 3], strides=2)

  # Conv + ReLU
  ...

所以假设这是第一个神经网络，那么我应该为 TextMaps 创建另一个神经网络并连接结果吗？还是所有魔法都发生在一个神经网络中？

简而言之，我可以创建单独接受不同类型输入的神经网络，还是为每个输入使用不同的神经网络，然后对它们的输出进行分组？

谢谢！