三个卷积神经网络集成，Python代码

在Python中，集成多个卷积神经网络（CNNs）通常涉及以下步骤，这里以Keras库为例，假设我们已经有一个基础的CNN模型（例如VGG16或ResNet），我们可以创建并训练几个这样的模型，然后在测试阶段进行集成：

from keras.applications import VGG16, ResNet50
from keras.models import Model
from keras.layers import Dense, GlobalAveragePooling2D, concatenate
import numpy as np

# 定义基础CNN模型
def create_base_cnn(model_name):
    base_model = model_name(weights='imagenet', include_top=False)
    x = base_model.output
    x = GlobalAveragePooling2D()(x)
    predictions = Dense(1024, activation='relu')(x)
    return Model(inputs=base_model.input, outputs=predictions)

# 创建并训练三个不同的CNN实例
models = [create_base_cnn(VGG16), create_base_cnn(ResNet50), create_base_cnn(Xception)]  # Xception替换为另一个模型
for i, m in enumerate(models):
    m.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
    m.fit(train_data, train_labels, epochs=10, validation_data=(val_data, val_labels))

# 集成模型
ensemble_output = concatenate([m.output for m in models])
ensemble_predictions = Dense(num_classes, activation='softmax')(ensemble_output)
ensemble_model = Model(inputs=[m.input for m in models], outputs=ensemble_predictions)

# 训练集成模型
ensemble_model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
ensemble_model.fit(np.array([model.predict(test_data) for model in models]), test_labels, epochs=10)

# 使用集成模型进行预测
predictions = ensemble_model.predict(test_data)

注意：这个例子假设你已经有了训练集、验证集和测试集（`train_data`, `val_data`, `test_data`），以及对应的标签`train_labels`, `val_labels`, `test_labels`，并且需要将图像转换为模型输入格式。另外，你需要安装keras库及其相关的预处理工具。