我们试想一个实际问题，春天到了，我们要买衣服了，同时，作为服装厂商，也要开始发布新的衣服了，如果你作为一个服装厂商的技术顾问，请你分析出什么样的衣服属于今年的流行趋势，你会怎么做？
首先，作为技术宅男的你，我不认为你会对流行元素有那么多的关注，不会去看什么巴黎时装周，你能做的就是根据各种各样的数据进行分析预测。你可能会在店铺中进行一些扫码填写调查表发放一些优惠券，还可能去各大时尚网站去扒一些评论分析文章，还可能去微博这种公开的社交平台扒一些时尚博主的自拍分享等，你可以想尽办法获取各种各样的数据，你要做的是用好这些数据分析出流行趋势。
对于这种分析预测深度学习无疑是适合的模型工具，问题是既有这种调查表得来的数据，适合普通的层堆叠进行训练的模型，还有这种评论分析文章这种文本数据，适合循环神经网络的文章，还有各种图片需要分析，适合卷积神经网络的模型，这可怎么办？根据我们现有的知识，我们可以考虑分别训练不同的网络模型，对他们进行加权分析，这固然是一种方法，但是这个权也太随机了，各个数据之间也都割裂开了，分别处理算不上好的方法。那怎么办？
将他们联合起来，进行联合学习，大致的样子就是这样：
当然，联合模型不只能同时接收多种输入，还可以同时给出输出，比如流行的元素和价格，多个输入多个输出，这就不单纯是一个前面我们提到的各种线性的网络，更像是一个图的感觉，对，就是那种类似于数据结构中的图。就像数据结构中的图要比线性链表复杂得多一样，深度学习中的这种联合模型也比单一的一种模型要复杂得多。
函数式 API
这是预备知识，所谓函数式方式，很幸运 Keras 支持这样的方式，就是把层看成函数，这个函数的参数和返回值都是张量，这样的函数组合起来就能构成网络模型，看下面的代码例子：
def run():
# 我们学过的用 Sequential 定义层
seq_model = Sequential()
seq_model.add(layers.Dense(32, activation='relu', input_shape=(64,)))
seq_model.add(layers.Dense(32, activation='relu'))
seq_model.add(layers.Dense(10, activation='softmax'))
seq_model.summary()
# 用函数的方式定义层
input_tensor = Input(shape=(64,))
x = layers.Dense(32, activation='relu')(input_tensor)
x = layers.Dense(32, activation='relu')(x)
output_tensor = layers.Dense(10, activation='softmax')(x)
model = Model(input_tensor, output_tensor)
model.summary()
这两种定义网络模型的方式是等价的，Input 是用来定义张量的，原始数据可以转换成张量用于网络训练，Model 是用来找到从 input_tensor 到 output_tensor 的路径，将其加入到网络中。
多输入模型
假设一个模型在进行一个简化版的图灵测试，这个模型要回答一个问题，这个问题的答案放在一篇文章中也由这个模型去处理，那么这个模型就是拥有多个输入的一个网络，如下：
其中有许多的知识我们之前讨论过了，如 LSTM 是循环神经网络，用于处理文本。这里的 Concatenate 需要解释一下：Concatenate 用于连接，可以将输入的问题和答案文本相关联起来。用代码构建的网络进行 summary 查看是这个样子的：
#!/usr/bin/env python3
import time
import keras
import numpy as np
from keras import Input
from keras import layers
from keras.models import Model
def run():
text_vocabulary_size = 10000
question_vocabulary_size = 10000
answer_vocabulary_size = 500
# 文本输入
text_input = Input(shape=(None,), dtype='int32',)
# 将输入转换为向量
embedded_text = layers.Embedding(text_vocabulary_size, 64)(text_input)
# 将输入转换为单个向量
encoded_text = layers.LSTM(32)(embedded_text)
# 对问题进行如上处理
question_input = Input(shape=(None,), dtype='int32',)
embedded_question = layers.Embedding(question_vocabulary_size, 32)(question_input)
encoded_question = layers.LSTM(16)(embedded_question)
# 将问题和文本联系起来
concatenated = layers.concatenate([encoded_text, encoded_question], axis=-1)
# 添加一个 softmax 分类器
answer = layers.Dense(answer_vocabulary_size, activation='softmax')(concatenated)
# 构建模型
model = Model([text_input, question_input], answer)
model.summary()
model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['acc'])
# 生成虚拟训练数据，参考意义不大
num_samples = 1000
max_length = 100
text = np.random.randint(1, text_vocabulary_size, size=(num_samples, max_length))
question = np.random.randint(1, question_vocabulary_size, size=(num_samples, max_length))
answers = np.random.randint(answer_vocabulary_size, size=(num_samples))
answers = keras.utils.to_categorical(answers, answer_vocabulary_size)
model.fit([text, question], answers, epochs=10, batch_size=128)
model.fit({'text': text, 'question': question}, answers, epochs=10, batch_size=128)
if __name__ == "__main__":
time_start = time.time()
run()
time_end = time.time()
print('Time Used: ', time_end - time_start)
多输出模型
