连体LSTM（Siamese LSTM）或共享LSTM（shared LSTM）

一：

函数式API还有一个重要特性，那就是能够重复多次使用一个层实例。如果你对一个层实例调用两次，而不是每次调用都实例化一个新层，那么每次调用可以重复使用相同的权重。这样你可以构建具有共享分支的模型，即几个分支全都共享相同的知识并执行相同的运算。也就是说，这些分支共享相同的表示，并同时对不同的输入集合学习这些表示。

举个简单的例子，假设有一个模型想要评估两个句子之间的语义相似度。这个模型有两个输入，并输出一个取值于[0,1]之间的分数，0表示两个句子毫不相关，1表示两个句子完全相同或者只是换了一种表述。这种模型在很多应用中都很有用，其中包括在对话系统中删除重复的自然语言查询。

在这种设置下，两个输入句子是可以相互互换的，因为A对B的相似度和B对A的相似度是一个意思。因此，学习两个单独的模型来分别处理两个输入句子是浪费的。相反，需要一个LSTM层来处理两个句子，这个LSTM层的表示（即权重）是同时基于两个输入来学习的，这就是连体LSTM或共享LSTM。

使用Kreas函数式API中的层共享（层重复使用）可以实现这样的模型，代码如下：

from keras import layers
from keras import Input#为网络提供输入数据，提供了用于加载和预处理数据的工具，以便在训练和测试期间输入到网络中
from keras.models import Model

lstm=layers.LSTM(32)#将一个LSTM层实例化一次
left_input=Input(shape=(None,128))#构建模型的左分支，输入是长度为128的向量组成的变长序列
left_output=lstm(left_input)

right_input=Input(shape=(None,128))
right_output=lstm(right_input)#构建模型的右分支，如果调用已有的层实例，那么就会重复使用它的权重

merged=layers.concatenate([left_output,right_output],axis=-1)#在上面构建分类器
predictions=layers.Dense(1,activation='sigmoid')(merged)

model=Model([left_input,right_input],predictions)#将模型实例化并训练，训练时，基于两个输入对LSTM层的权重进行更新
model.fit([left_data,right_data],targets)

自然的，一个层实例可能被多次重复使用，他可以被调用任意多次，每次都重复使用一组相同的权重。

以上就是简单介绍Keras中函数式API的一个特性，有任何问题欢迎留言，私信等，感谢大噶！