我有兩個不同輸入的神經網絡。輸入1是圖像數據，輸入2是單個浮動。因此，我的輸入是形狀(32,img_dim)和(32,1)用於32.Keras：向密集層添加一批常量輸入
的神經網絡的輸出層的批量大小與10+的緻密層（可以變化）與線性激活函數（迴歸）輸出。我想將輸入2中的浮點數添加到每個10+個輸出中。我如何爲整個圖層添加一個簡單的值（批量中的每個樣本都不相同）（將其廣播到10個以上的輸出）。
例如爲3批量大小我有輸入2：
[12.0,23.0,60.0]
現在我要添加12.0爲第一樣品在層中的所有單元。然後23.0用於批次中的下一個樣品等。
您可以使用功能API模型
from keras.models import Model
讓兩個輸入模型：
inpImg = Input((rows,columns,channels))
inpFloat = Input((1,))
創建圖層這樣的：
outputTensor = SomeLayer(....)(inputTensor)
#example:
convOut = Conv2D(20,kernel_size=3,activation='relu')(inpImg)
在你想點乘法，我們爲自定義操作創建一個Lambda圖層（假設您有lastOut來自你最後一層）。注意這個圖層在列表中輸入兩個輸入，這就是爲什麼我們需要功能API模型。
multOut = Lambda(lambda x: x[0] + x[1],output_shape=(10,))([lastOut,inpFloat])
然後，創建模型：
model = Model([inpImg,inpFloat],multOut)
編譯模型正常，嵌合和預測時，通過的numpy的輸入列表：
model.fit([trainImages, trainFloats],labels)