我有两个Keras（Tensorflow后端）模型，它们堆叠在一起构成了一个组合模型：
small_model与In: (None,K), Out: (None,K) large_model与In: (None,N,K), Out: (None,1) combined_model（N x small_model -> large_model）与In: (None,N,K), Out: (None,1) large_model需要N的{{1}}堆叠输出作为输入。
我可以定义small_model N个，它们共享权重，然后连接它们的输出（从技术上讲，我需要堆叠它们），然后将其发送到small_model，如下面的代码。
我的问题是我需要能够在非常大的large_model（N）上执行此操作，并且我当前的解决方案占用了大量内存和时间在创建模型时，甚至对于> 10**6。
我希望有一个解决方案，可以并行地通过N ~ 10**2发送N数据点（例如将模型批处理给模型时所执行的操作），然后收集这些点（使用Keras历史记录，以便可以进行反向传播）并将其发送到small_model，而不必定义large_model的{{1}}实例。列出的三个模型的输入和输出形状不应更改，但是当然可以定义其他中间模型。
谢谢。
当前不能令人满意的解决方案（假设N和small_model已经存在，并且small_model已定义）：
large_model