考慮這樣的一個問題：我們要判斷連個tweet是否來源於同一個人。
首先我們對兩個tweet進行處理，然后將處理的結構拼接在一起，之后跟一個邏輯回歸，輸出這兩條tweet來自同一個人概率。
因為我們對兩條tweet的處理是相同的，所以對第一條tweet的處理的模型，可以被重用來處理第二個tweet。我們考慮用LSTM進行處理。
假設我們的輸入是兩條 280*256的向量
首先定義輸入：
import keras from keras.layers import Input, LSTM, Dense from keras.models import Model tweet_a = Input(shape=(280, 256)) tweet_b = Input(shape=(280, 256))
然后我們共享LSTM。共享層很簡單，只要實例化層一次，然后在你想處理的tensor上調用你想要應用的次數即可（翻譯無力，看代碼）
# This layer can take as input a matrix # and will return a vector of size 64 shared_lstm = LSTM(64) # When we reuse the same layer instance # multiple times, the weights of the layer # are also being reused # (it is effectively *the same* layer) encoded_a = shared_lstm(tweet_a) encoded_b = shared_lstm(tweet_b) # We can then concatenate the two vectors: merged_vector = keras.layers.concatenate([encoded_a, encoded_b], axis=-1) # And add a logistic regression on top predictions = Dense(1, activation='sigmoid')(merged_vector) # We define a trainable model linking the # tweet inputs to the predictions model = Model(inputs=[tweet_a, tweet_b], outputs=predictions) model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['accuracy']) model.fit([data_a, data_b], labels, epochs=10)
其實，簡單點說，對一個層的多次調用，就是在共享這個層。這里有一個層的節點的概念
當你在一個輸入tensor上調用一個層時，就會生成一個輸出tensor，就會在這個層上添加一個節點，這個節點連接着這兩個tensor（輸入tensor和輸出tensor）。當你多次調用同一個層的時，
這個層生成的節點就會按照0 ，1, 2， 。。以此類推編號。
那么當一個層有多個節點的時候，我們怎么獲取它的輸出呢？
如果直接通過output獲取會出錯：
a = Input(shape=(280, 256)) b = Input(shape=(280, 256)) lstm = LSTM(32) encoded_a = lstm(a) encoded_b = lstm(b) lstm.output
>> AttributeError: Layer lstm_1 has multiple inbound nodes, hence the notion of "layer output" is ill-defined. Use `get_output_at(node_index)` instead.
這時候應該通過索引進行調用：
assert lstm.get_output_at(0) == encoded_a assert lstm.get_output_at(1) == encoded_b
對於輸入，也是同樣的
a = Input(shape=(32, 32, 3)) b = Input(shape=(64, 64, 3)) conv = Conv2D(16, (3, 3), padding='same') conved_a = conv(a) # Only one input so far, the following will work: assert conv.input_shape == (None, 32, 32, 3) conved_b = conv(b) # now the `.input_shape` property wouldn't work, but this does: assert conv.get_input_shape_at(0) == (None, 32, 32, 3) assert conv.get_input_shape_at(1) == (None, 64, 64, 3)