将三个经过训练的二元分类模型组合成 keras 中的单个多分类模型

我有三个经过训练的二元分类模型，它们在输出层使用 sigmoid 激活进行训练。

1. 第一个模型返回从0到1的概率标量，以检查图像是否为数字 零 或不是。
2. 第二个模型返回从 0 到 1 的概率标量来检查图像是否是数字 ONE 或否。
3. 第三个模型返回从 0 到 1 的概率标量来检查图像是否是数字|| |两个 或不。 我知道我可以用

softmax 在输出层构建具有三个神经元的模型来训练它们。但是假设我遇到一种情况，由于模型复杂，训练它们的权重确实需要很长时间，我只有它们各自的二元分类模型。或者，我想在隐藏层提取它们的隐藏表示特征，例如 （二元分类以检查图像是否为零）。 model_0 那么，如何将它们连接/组合/合并为单个模型？ 我的代码目前停留在这一点：

其中：

model_0 = init_binary_classification_model((28,28))
model_0.load_weights('trained_weight_of_binary_classification_to_check_whether_image_is_zero.h5')

model_1 = init_binary_classification_model((28,28))
model_1.load_weights('trained_weight_of_binary_classification_to_check_whether_image_is_one.h5')

model_2 = init_binary_classification_model((28,28))
model_2.load_weights('trained_weight_of_binary_classification_to_check_whether_image_is_two.h5')

我希望多分类模型具有相同的输入形状

def init_binary_classification_model(input_shape=(28,28)):
  input_layer = Input(shape=input_shape)
  tensor = Flatten()(input_layer)
  tensor = Dense(16, activation='relu')(tensor)
  tensor = Dense(8, activation='relu')(tensor)
  output_layer = Dense(1, activation='sigmoid')(tensor)

  return Model(inputs=input_layer, outputs=output_layer)

和不同的输出形状 (28,28) 并且我不需要重新训练模型（如果可能） . (3) 完整代码可在

https://colab.research.google.com/drive/1y1mvAzebIFU_cuEQo8Q60L1I6uT8i2Ce?usp=sharing https://colab.research.google.com/drive/1y1mvAzebIFU_cuEQo8Q60L1I6uT8i2Ce?usp=sharing

可以通过定义一个新模型来组合的二进制分类模型，该模型将三个模型的预测作为输入并输出一个三类概率向量。以下是如何执行此操作：

from tensorflow.keras.layers import Input, Concatenate, Dense
from tensorflow.keras.models import Model

# ... 加载的三个模型（model_0、model_1、model_2）...

# 创建一个输入层，其形状与的二进制分类模型相同
input_layer = Input(shape=(28,28))

# 从每个模型中获取预测
output_0 = model_0(input_layer)
output_1 = model_1(input_layer)
output_2 = model_2(input_layer)

# 将预测连接成一个向量
merged_outputs = Concatenate()([output_0, output_1, output_2])

# 可选：添加一个密集层，后跟 softmax 以获得更准确的概率分布
# merged_outputs = Dense(3, activation='softmax')(merged_outputs)

# 创建新的多类模型
multiclass_model = Model(inputs=input_layer, outputs=merged_outputs)

# 打印模型摘要
multiclass_model.summary()

这个方法做了以下几件事：

1. 创建输入层： 它定义了一个输入层来处理图像，就像的二进制分类模型一样。
2. 获取每个模型的预测： 它将输入图像传递给每个二进制分类模型并获取其预测（0 到 1 之间的概率）。
3. 连接预测： 它将三个模型的预测连接成一个包含三个值的向量。
4. 创建多类模型： 它使用输入层和连接的输出创建一个新的 Keras Model 。

这个新创建的 multiclass_model 将的三个二进制分类模型的预测视为输入。然后，可以使用此模型来预测输入图像属于三个类中的哪一个。

可选：

• 可以通过添加一个具有 softmax 激活函数的密集层来提高多类模型的性能，以获得更标准化的概率分布。
• 如果想访问中间层以提取特征，可以使用 keras 函数式 API。

请注意，此方法假设的三个二进制分类模型已经过良好的训练，并且每个模型的输出代表输入图像属于相应类别的置信度。