如何在Keras中合并两个已加载的模型（隐藏层+Dense层）？

没问题，这事儿其实很容易搞定——我们可以用Keras的功能API把这两个模型无缝串起来，生成一个新的端到端模型，这样你输入初始数据就能直接得到最终的output_DL了。下面是具体步骤：

步骤1：加载已有的两个模型 #

先按你原来的方式加载两个预训练模型：

from tensorflow.keras.models import load_model
import numpy as np

# 加载两个模型
model_HL = load_model('model_hl.hdf5')
model_DL = load_model('model_dl.hdf5')

步骤2：用功能API构建合并模型 #

我们可以把第一个模型的输出经过扁平化处理后，直接喂给第二个模型，全程用Keras的层来实现，比手动reshape更优雅也更贴合模型结构：

from tensorflow.keras.layers import Input, Flatten
from tensorflow.keras.models import Model

# 定义初始输入层，形状和model_HL的输入一致（跳过batch维度）
input_layer = Input(shape=model_HL.input_shape[1:])

# 获取隐藏层模型的输出
hl_output = model_HL(input_layer)

# 扁平化处理输出，替代手动reshape操作
flattened_output = Flatten()(hl_output)

# 将扁平化结果传入Dense层模型，得到最终输出
final_output = model_DL(flattened_output)

# 构建合并后的端到端模型
combined_model = Model(inputs=input_layer, outputs=final_output)

步骤3：验证合并模型的正确性 #

你可以用一组测试输入来验证合并模型的输出和原来分步计算的结果是否一致：

# 准备你的测试输入数据
test_input = ...  # 替换为你的初始输入

# 分步计算的结果
output_HL = model_HL.predict(test_input)
output_HL_flatten = output_HL.reshape((output_HL.shape[0], np.prod(output_HL.shape[1:])))
output_DL_step = model_DL.predict(output_HL_flatten)

# 合并模型的结果
output_DL_combined = combined_model.predict(test_input)

# 检查结果是否一致（误差应该极小，接近0）
print(np.allclose(output_DL_step, output_DL_combined))  # 正常会输出True

步骤4：保存合并后的模型 #

如果验证没问题，就可以把合并后的模型保存下来，以后直接加载使用：

combined_model.save('combined_model.hdf5')

这样以后你只需要加载combined_model.hdf5，输入初始数据就能直接得到最终结果，完全不用再分步处理啦~

内容的提问来源于stack exchange，提问作者Akhilesh