该代码可以实现类似图片的效果，多个模型采用第一个输入。

图片来源：https://github.com/keras-team/keras/issues/4205

step 1:重新定义模型(这是我自己的模型，你们可以用你们自己的)，与预训练不一样，这里定义模型inp要采用公共的，代码如下：

1. def get_model(inp):#重新建立模型，与原来不一样的是这里inp是传入
2. n_classes = 10
3. #inp=Input(shape=(120,39))#原来的inp是函数里，传入可以三个公用
4. reshape=Reshape((1,120,39))(inp)
5. # pre=ZeroPadding2D(padding=(1, 1))(reshape)
6. # 1
7. #reshape=BatchNormalization()(reshape)
8. conv1=Convolution2D(32, 3, 3, border_mode='same',init='glorot_uniform')(reshape)
9. #model.add(Activation('relu'))
10. l1=PReLU()(conv1)
11. l1=BatchNormalization()(l1)
12.  
13. conv2=ZeroPadding2D(padding=(1, 1))(l1)
14. conv2=Convolution2D(32, 3, 3, border_mode='same',init='glorot_uniform')(conv2)
15. #model.add(Activation('relu'))
16. l2=PReLU()(conv2)
17. l2=BatchNormalization()(l2)
18.  
19. m2=AveragePooling2D((3, 3), strides=(3, 3))(l2)
20. d2=Dropout(0.25)(m2)
21. # 2
22. conv3=ZeroPadding2D(padding=(1, 1))(d2)
23. conv3=Convolution2D(64, 3, 3, border_mode='same',init='glorot_uniform')(conv3)
24. #model.add(Activation('relu'))
25. l3=PReLU()(conv3)
26. l3=BatchNormalization()(l3)
27.  
28. conv4=ZeroPadding2D(padding=(1, 1))(l3)
29. conv4=Convolution2D(64, 3, 3, border_mode='same',init='glorot_uniform')(conv4)
30. #model.add(Activation('relu'))
31. l4=PReLU()(conv4)
32. l4=BatchNormalization()(l4)
33.  
34. m4=AveragePooling2D((3, 3), strides=(3, 3))(l4)
35. d4=Dropout(0.25)(m4)
36.  
37. g=GlobalAveragePooling2D()(d4)
38. #4
39. # conv4=Convolution2D(32, 3, 3, border_mode='same',init='glorot_uniform')(d3)
40. # conv4=BatchNormalization()(conv4)
41. # #model.add(Activation('relu'))
42. # l4=LeakyReLU(alpha=0.33)(conv4)
43. # m4=MaxPooling2D((2, 2))(l4)
44. # d4=Dropout(0.25)(m4)
45.  
46. #f=Flatten()(g)
47. Den=Dense(1024)(g)
48. #model.add(Activation('relu'))
49. ld=PReLU()(Den)
50. ld=Dropout(0.5)(ld)
51. result=Dense(n_classes, activation='softmax')(ld)
52.  
53.  
54.  
55. model=Model(input=inp,outputs=result)
56. return model

step2:加载模型参数，融合模型，代码如下：

1. def merge_model():
2. inp=Input(shape=(120,39))#融合主要就是Input是同样的，所以重新建立模型
3. model1=get_model(inp)
4. model2=get_model(inp)
5. model3=get_model(inp)
6. model1.load_weights(model_path+"CNN_mfcc1.h5")#加载各自权重
7. model2.load_weights(model_path+"CNN_mfcc2.h5")#加载各自权重
8. model3.load_weights(model_path+"CNN_mfcc3.h5")#加载各自权重
9.  
10. r1=model1.output#获得输出
11. r2=model2.output
12. r3=model3.output
13.  
14. x=concatenate([r1,r2,r3],axis=1)#拼接输出，融合成功
15. model=Model(input=inp,outputs=x)
16. return model

step3:根据自己的需要修改模型，我这里只是添加全连接层做分类，代码如下：

1. def modify():#这里修改模型
2. origin_model=merge_model()
3. for layer in origin_model.layers:
4. layer.trainable = False#原来的不训练
5.  
6. inp=origin_model.input
7. x=origin_model.output
8.  
9. den=Dense(200,name="fine_dense")(x)
10. l=PReLU()(den)
11. l=Dropout(0.5)(l)
12. result=Dense(10,activation="softmax")(l)
13.  
14. model=Model(input=inp,outputs=result)
15. model.summary()
16. #编译model
17. adam = keras.optimizers.Adam(lr = 0.0005, beta_1=0.95, beta_2=0.999,epsilon=1e-08)
18. #adam = keras.optimizers.Adam(lr = 0.001, beta_1=0.95, beta_2=0.999,epsilon=1e-08)
19. #sgd = keras.optimizers.SGD(lr = 0.001, decay = 1e-06, momentum = 0.9, nesterov = False)
20.  
21. #reduce_lr = ReduceLROnPlateau(monitor = 'loss', factor = 0.1, patience = 2,verbose = 1, min_lr = 0.00000001, mode = 'min')
22. model.compile(loss='categorical_crossentropy', optimizer=adam, metrics=['accuracy'])
23.  
24.  
25. return model