tensorflow合并输入和输出

Question

我想在连续的张量流中使用两个模型，以适合第一个，并直接使用它作为第二个输入。但我没有找到这样做的好方法。我试图进行如下以下，

x = tf.placeholder('float', shape=[None, image_size[0] , image_size[1]]) 

y1_ = tf.placeholder('float', shape=[None, image_size[0] , image_size[1], 1]) 
y2_ = tf.placeholder('float', shape=[None, image_size[0] , image_size[1],\ 
                   labels_count]) 
image = tf.reshape(x, [-1,image_size[0] , image_size[1],1]) 
# y1 first output, to fit 
W_conv = weight_variable([1, 1, 1, labels_count]) 
b_conv = bias_variable([labels_count]) 

y1 = conv2d(image, W_conv) + b_conv 

cross_entropy1 = tf.reduce_sum(tf.nn.sigmoid_cross_entropy_with_logits(y1, y1_)) 
train_step1 =\ 
tf.train.GradientDescentOptimizer(LEARNING_RATE).minimize(cross_entropy) 
# Then use as input the folowing 
im_y1 = tf.zeros_initializer([None,image_size[0] , image_size[1],2]) 
im_y1[:,:,:,0]=x 
im_y1[:,:,:,1]=y1 

的事情是减少第一最小化cross_entropy（Y1 y1_）与参数W_conv b_conv然后通过construciting im_y1为描述使用Y1作为参数。

但就像我写的，它的剂量工作，因为tf.zeros_initializer拒绝获得参数无。

在Tensorflow的同一模型中传输不同拟合的好方法是什么？

感谢任何意见！

Answer 1

替换为最后三行的例子：

im_y1 = tf.concat(3, [x, y1]) 

它加到x和y1沿3挡（0为基础）维。