我了解到 Keras 具有根据以下内容“合并”两个模型的功能：
from keras.layers import Merge
left_branch = Sequential()
left_branch.add(Dense(32, input_dim=784))
right_branch = Sequential()
right_branch.add(Dense(32, input_dim=784))
merged = Merge([left_branch, right_branch], mode='concat')
mergint NN 的意义何在，它在哪些情况下有用？它是一种集成建模吗？在性能方面，几种“模式”（concat、avg、dot 等）有什么区别？
使用它有几个原因，基本上它用于将多个网络连接在一起。一个很好的例子是您有两种类型的输入，例如标签和图像。您可以构建一个网络，例如：
IMAGE -> Conv -> Max Pooling -> Conv -> Max Pooling -> Dense
TAG -> 嵌入 -> 密集层
要将这些网络组合成一个预测并将它们一起训练，您可以在最终分类之前合并这些密集层。
有多个输入的网络是它们最“明显”的用法，这是一张在 RNN 中将单词与图像组合在一起的图片，多模态部分是两个输入合并的地方：
另一个例子是谷歌的 Inception 层，你有不同的卷积，这些卷积在进入下一层之前被重新加在一起。
要将多个输入提供给 Keras，您可以传递一个数组列表。在单词/图像示例中，您将有两个列表：
x_input_image = [image1, image2, image3]
x_input_word = ['Feline', 'Dog', 'TV']
y_output = [1, 0, 0]
然后你可以适应如下：
model.fit(x=[x_input_image, x_input_word], y=y_output]