我相信您可以使用功能 API 并使用您的输入来做到这一点。假设您有输入特征集（可以是单例集）$a$,$b$，和 $c$ 对于一些 $x$ 在 $X$. 如果您将输入拆分为$X_a$, $X_b$， 和 $X_c$, 其中所有元素 $x$ 被转换为仅包含 $a$，理论上可以建立这个模型。

这是一个演示这个想法的代码片段，给定$X_a$, $X_b$， 和 $X_c$，以及它们对应的形状。您可以通过扩展全连接层（通过在密集调用中将变量设置为 1）来扩展此模型。没有对代码工作的承诺：我已经刷过一些细节，但这应该让你开始解决你的问题。

input_A = Input(shape=shape_A)
input_B = Input(shape=shape_B)
input_C = Input(shape=shape_C)
A = Dense(1)(input_A)
A = Dense(1)(A) 
B = Merge([input_A, input_B, input_C], mode='concat')
B = Dense(1)(B) 
C = Merge([A,B],mode='concat)
C = Dense(1)(C)
B = Merge([A,B],mode='concat)
B = Dense(1)(B)
A = Dense(1)(A)

从这里，如果你想要一个输出，你可以调用 merge on$A$, $B$， 和 $C$然后使用例如用于多标签分类的 Softmax 层添加密集（全连接）层。

Keras 确实提供了添加自定义层的机会。我不知道以前的版本，但 Keras 1.1.3 可以灵活地做到这一点。看看这个链接。这也包含自定义层的一个很好的例子。在这里，您可以尝试根据需要更改权重矩阵。我还建议您尝试阅读一些基本层的源代码以更好地理解它。