在许多新手的眼中，深度学习模型构建好了之后，就只能是固定的输入和输出，甚至构建的模型只能是一个输入一个输出。其实深度学习模型很灵活，想有几个输入就有几个输入，想有几个输出就几个输出，想要哪一层的输出，就要哪一层的输出。今天，我们就用keras的几个例子，让大家对深度模型有个更深入的了解。
多输入多输出
什么情况下需要模型多个输入多个输出呢？
•多输入，单输出
比如在做文本分类任务时，我不仅仅通过文本content去预测结果，还想使用标题特征。
content_in = Input(shape=(300,)) #输入文本长度为300
title_in = Input(shape=(20,)) #输入标题为20
emb_layer = Embedding(4000, 300) #embedding层，4000表示词的总数，300是输出维度
# 文本向量和标题向量共享了embedding层
content_emb = emb_layer(content_in)
title_emb = emb_layer(title_in)
lstm_content = LSTM(128)(content_emb)
lstm_title = LSTM(128)(title_emb)
#将lstm编码之后的两个向量进行相加，然后再经过dense层
add = Lambda(lambda x: x[0]+x[1])([lstm_content, lstm_title])
out = Dense(1, activation='sigmoid')(add)
上面的例子有两个输入content_in和title_in，经过同一个embedding层之后，得到对应的向量，然后再分别经过LSTM层进行特征提取，将两个输出通过Lambda层直接相加后，经过dense层就直接进行了分类。这是两个输入，一个输出的情况。
•多输入，多输出
还是以文本分类为例，这个时候，我的任务变成要对文本内容和标题分别进行分类，将他们放在一起的目的只是为了共享embedding层，以获取某种关联特征。我们只需要将上面的代码做个简单的修改。
content_in = Input(shape=(300,)) #输入文本长度为300
title_in = Input(shape=(20,)) #输入标题为20
emb_layer = Embedding(4000, 300) #embedding层，4000表示词的总数，300是输出维度
# 文本向量和标题向量共享了embedding层
content_emb = emb_layer(content_in)
title_emb = emb_layer(title_in)
lstm_content = LSTM(128)(content_emb)
lstm_title = LSTM(128)(title_emb)
out_content = Dense(1, activation='sigmoid', name='out_content')(lstm_content)
out_title = Dense(1, activation='sigmoid', name='out_title')(lstm_title)
model = Model([content_in, title_in], [out_content, out_title])
最后模型有两个输出。上个丑图，方便理解。
输入和输出因为有两个，需要整成list的形式。喂数据的时候，也要以类似的形式输入进去，比如model.fit([X_content, X_title], [Y_content, Y_content])。
在编译模型的时候，有一点点不同，这里详细讲一下。如果你对这两个输出没有什么特别需求，可以使用下面的代码简单编译。
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])模型在训练的时候，对两个输出都采用“binary_crossentropy”计算loss，并都使用“adam”优化器进行优化。那如果我两个输出的类型不同怎么办？能不能使用不同的loss呢？答案是可以，并且还可以对不同的输出的loss，设置不同的权重。
model.compile(loss={"out_content": 'binary_crossentropy', "out_title": 'categorical_crossentropy' #假设title是个多分类},loss_weights = {"out_content": 0.8,"out_title": 0.3},optimizer='adam', metrics=['accuracy'])注意到，模型是根据输出层的名字（name参数）来区分不同输出的loss。并且也是根据名字来确定权重。那么怎么给不同输出设置不同优化器呢？这个小编也想知道啊，可它不能够啊。一个比较实用的操作是给不同层设置不同的学习率，这个需要改写优化器函数，不在本文的范畴之内，有兴趣的同学，可以绞尽脑汁去网上找找，反正小编是找了好久才找到一个靠谱的。
中间层的输出
还有一种情况啊，我搭建好的模型，只是为了去训练参数，我任务的最终目标并不是模型的output，而是模型当中的某一层。比如我训练好了一个语言模型，但是我想要的是embedding层的词向量，又比如我训练了一个encoder-decoder模型，我只想要其中的中间表示向量，这该咋整呢？还还还以上面的代码为例，超级简单。
content_in = Input(shape=(300,)) #输入文本长度为300
emb_layer = Embedding(4000, 300, name='emb') #embedding层，4000表示词的总数，300是输出维度
content_emb = emb_layer(content_in)
lstm_content = LSTM(128)(content_emb)
out = Dense(1, activation='sigmoid')(lstm_content)
model = Model(content_in, out)为了简单说明，我们使用单输入单输出模型进行介绍。假设你已经用自己的数据训练好了上面模型的参数，但是你的真实目标并不是为了进行文本分类，而是想要这个模型的embedding层，用作获取词向量。怎么做呢？简单来讲，就是把你想要的子模型截取出来。
emb_model = Model(inputs=model.input,outputs=model.get_layer('emb').output)输入还是原来模型的输入，但输出是指定名称的层，即”emb“。再来个丑图说明一下
整体框架图是原模型，训练好参数之后，我只取前两层新构建一个模型（参数依旧是原模型的参数）。
总结
好了，一些base骚操作就介绍给大家。当大家明白了深度学习层之间的关系之后，就不觉得它有多么难理解了，理解了这些东西，大家应该就不难用keras去完成一些以前觉得很难实现的操作了。