異なる種類の入力データを一旦それぞれ別の処理をして，その結果を途中で連結する（concatenateする）ような深層学習モデルって結構見かけます．
私もそのようなモデルを作成しようとしてますので，いろいろ調べた結果，前回のFunctionalモデルの書き方だと実現できそうなことがわかりました．
ちなみに前回はこちら↓
それで，今回も入力画像は同じですが，それぞれ別の画像フィルタで処理をして，その結果を最後に連結するというモデルを構築しました．
プログラムはこちら
from keras import Model
from keras.layers import Flatten, Concatenate, Input, Conv2D
import numpy as np
input_img = Input(shape=(4,3,1))
x = Conv2D(1, (3,3), padding='same')(input_img)
y = Conv2D(1, (3,3), padding='same')(input_img)
output_img = Concatenate(axis=2)([x,y])
model = Model(input_img, output_img)
model.summary()4×3ピクセルの画像を入力とします．その画像に対して2種類のフィルタリングを並列に実行して，その結果を連結して出力する．ただそれだけです．
Concatenateでaxis=2としてますが，これは横方向に連結することを意味します．縦方向の連結であればaxis=1と設定します．
実行するとモデルのサマリーが表示されます．
conv2dとconv2d_1がそれぞれinput_1とつながっており，concatenateはconv2dとconv2d_1がつながっているように書かれてます．
# フィルタの重みを設定
w = model.layers[1].get_weights() #conv2dの重み
w[0] = np.array([[1,1,1],[1,1,1],[1,1,1]])[:,:,None,None] #フィルタ係数
w[1] = np.array([0]) #バイアス
model.layers[1].set_weights(w)
w = model.layers[2].get_weights() #conv2d_1の重み
w[0] = np.array([[-1,-1,-1],[-1,-1,-1],[-1,-1,-1]])[:,:,None,None]
w[1] = np.array([0])
model.layers[2].set_weights(w)そして，２つのConv2Dレイヤーのフィルタ係数をそれぞれ設定します．簡単のため，conv2dはすべて1，conv2d_1はすべて-1としました．バイアスはどちらも0です．
test_im = np.ones((4,3))
test_im1 = test_im[None,:,:,None]入力画像を作成します．動作を理解するため，4×3ピクセルの1チャネルのみという非常に単純な画像としました．
それに対し，画像枚数，チャネル数に相当する次元をNoneで加えてます．つまり，test_im1は（画像枚数，縦幅，横幅，チャネル数）の4次元のテンソルとなります．この場合は，(1,4,3,1)になります．
それでは，実行してみます．
f_img = model.predict(test_im1)
print(f_img.shape)
print(f_img[0,:,:,0])結果は，こちらのようになりました．
出力画像は (1,4,6,1) のテンソルとなっているので，出力画像の枚数=1, 縦幅=4, 横幅=6, チャネル数=1であり，横幅=6となってるところに注目です．
入力画像は4×3ピクセルのフィルタ後の画像を横方向に連結しているので，4×6ピクセルになっているというわけです．
最後の実行結果をみても，左半分はconv2dのフィルタリングの結果で，右半分はconv2d_1のフィルタリングの結果．これらが連結されて1つの画像になっているのがよくわかります．
畳み込みニューラルネットの場合，この後で2次元から1次元に変形し（Flatten），その後，全結合層（多層パーセプトロン）で識別処理という流れになるのが一般的でしょうね．
さらに自由度の高いモデル記法として，サブクラス化というのもあるようですが，それはまたいつか勉強して記事にします．