Keras如何在Python深度学习中多输入多输出，以及中间层的输出

在许多新手眼中，深度学习模型是建立的，它只能是一个固定的输入和输出，甚至模型只能建立一个输入和输出。其实，深度学习模型是很灵活的，要有几个输入有几个输入，要有几个输出有几个输出，要输出哪一层，要输出哪一层。今天，我们将用一些来自 Keras 的例子来帮助你更深入地理解深度模型。

多输入多输出

什么情况下需要模型的多输入多输出？

•多输入，单输出

比如在做文本进行分类工作任务时，我不仅仅可以通过分析文本content去预测研究结果，还想使用标题特征。

Content = Input (form = (300,)) # 输入文本的长度为300

title_in = Input（shape=（20,）） ＃输入标题为20

Emb _ layer = embedding (4000，300) #嵌入层，其中4000代表总字数，300为输出维度。

#文本向量和标题向量共享嵌入层。

Content _ Embedding = Embedding Layer (Content _ Input)

title_emb = emb_layer（title_in）

lstm_content = LSTM(128)

lstm_title = LSTM（128）