使用keras 功能 API将为您提供所需的东西。

我假设您当前正在使用标准的 keras 顺序模型 API，它更简单，但也将您限制为单个管道。使用函数式 API 时，您确实需要跟踪输入和输出，而不仅仅是定义层。

对于您问题中的示例：

from keras.layers import Input, Dense
from keras.models import Model

# Left side sub-model:
L1 = Input(shape=(2,))
L2 = Dense(2, activation='softmax')(L1)

# Right side sub-model:
R1 = Input(shape=(2,))
R2 = Dense(2, activation='softmax')(R1)

# Combining them together:
merge = concatenate([L2, R2])

# Some additional layers working on the combined layer:
merged_layer_1 = Dense(4, activation='relu')(merge)

# Output Layer:
output = Dense(2, activation='softmax')(hidden1)

# Defining the model:
my_model = Model(inputs=[L1, R1], outputs=output)

层的深度是由组成的，但你应该得到大致的想法。

这是另一个类似于Mark.F 的答案的 Keras 代码片段，但拆分方向相反（从初始输入开始并拆分为两个输出分支，每个分支都有自己的 softmax）。

from keras.layers import Dense, Input, Softmax, Concatenate, concatenate
from keras.models import Model, Sequential
import numpy as np

input_layer = Input(shape=(3,))
middle_layer = Dense(4, activation="sigmoid")(input_layer)

split_one = Dense(2, activation="sigmoid")(middle_layer)
output_one = Softmax()(split_one)

split_two = Dense(2, activation="sigmoid")(middle_layer)
output_two = Softmax()(split_two)

merged = concatenate([output_one, output_two])
model = Model(inputs=input_layer, outputs=merged)

输出的前两个元素是第一个分支的结果，后两个是第二个分支的结果。您还需要在训练时连接两个分支的真实标签。