时间戳

首页 > 解决方案 > 如何使用 Keras 构建具有多个输入和单个输出的模型

python - 如何使用 Keras 构建具有多个输入和单个输出的模型

问题描述

我正在尝试使用 Keras 的功能 api 来构建具有多个输入和单个输出的模型。目标是组合每个输入的每一行以预测相应的输出（1 或 0）。
例如concatenate(inputs_1[0], and inputs_2[0])并预测输出outputs[0]

我的数据结构如下所示：

inputs_1 = [[[-18.73, 8.98, 0.29, 0.23],[58.50, 28.31, 45.89, -1.62], [48.70, 21.31, 25.89, 1.62]], 
           [[-18.73, 8.98, 0.29, 0.65],[58.50, 28.31, 45.89, -1.62], [48.70, 21.31, 25.89, 1.62]],
           [[-18.73, 8.98, 0.29, 9,3],[58.50, 28.31, 45.89, -1.62], [48.70, 21.31, 25.89, 1.62]],
            ...
            [[-18.73, 8.98, 0.29, 8.93],[58.50, 28.31, 45.89, -1.62], [48.70, 21.31, 25.89, 1.62]]]
            

inputs_2 = [[[0.29, 0.23], [28.31, -1.62]], 
           [[8.98, 0.65], [21.31, 1.62]],
           [[18.50, -1.62], [25.89, 1.62]],
            ...
            [[-48.73, 8.98], [48.70, 1.62]]]

outputs = [1,
           1, 
           0, 
           ...
           0]

我在构建模型时遇到了一些困难，当我想重塑数据时会出现第一个困难。

from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()

# scale our data set so that every observation is between 0 and 1
training_data = scaler.fit_transform(inputs_1.reshape(-1, 1))

但是list对象没有属性reshape

我已阅读此功能性 api 文档，但对我没有多大帮助。但是，我现在知道我将通过串联将所有可用特征合并到一个大向量中。如何处理这些嵌套数组？
另一个困难是将数据拆分为训练、验证和测试。我发现的文章是基于单个输入数据进行的。有没有办法吐出多个数据输入？

在这种情况下，我如何定义层来构建模型？
我如何使用 api 来构建我的模型？
欢迎任何提示或模型的骨架。
先感谢您。

标签： pythontensorflowkerasjupyter-labfunctional-api

解决方案

您会问很多问题，这些问题通常不符合SO 准则。最好分别处理（先搜索，如果没有找到后问）每个问题。

不过，为了帮助您入门，我会尝试按照您的要求回答它们。首先，您的代码几乎没有问题 -

  1. 在inputs_1使用. _ 对 input_2使用和相同。inputs_2reshapeinputs_1 = np.array(inputs_1)

  2. 接下来，您要应用 min max 缩放器，但您使用reshape(-1,1). 这是没有意义的，因为最小-最大缩放对于每个特征都是相互独立的。我已经展示了如何重塑适当的最小-最大缩放。

  3. 您还询问有关训练测试拆分的问题。train_test_split您可以像通常使用更多输入的方式一样简单地使用 sklearn 。

  4. 最后，您询问了多输入 Keras 功能 API。文档做得非常好（事实上这也是 keras 的作者的理念，让深度学习易于学习和实现）。我在下面添加了一个示例 -

#Dummy data (USE YOUR OWN DATA HERE AS NUMPY ARRAYS
import numpy as np
X1 = np.random.random((1000, 3, 4))
X2 = np.random.random((1000, 2, 2))
y = np.random.randint(0, 2, (1000,))

使用 min-max 缩放器进行缩放

#Scaling individual features by respective min max for 3D tensors
from sklearn.preprocessing import MinMaxScaler

#Have separate scaler objects for each input data
scaler1 = MinMaxScaler()
scaler2 = MinMaxScaler()

#Ensure that in reshape to 2D matrix, you keep the number of features separate
#as min-max scaler works on each feature's respective min-max values
#Then, reshape it back to the 3D dataset

X1_scaled = scaler1.fit_transform(X1.reshape(-1,X1.shape[-1])).reshape(X1.shape)
X2_scaled = scaler1.fit_transform(X2.reshape(-1,X2.shape[-1])).reshape(X2.shape)

print(X1_scaled.shape, X2_scaled.shape)

(1000, 3, 4) (1000, 2, 2)

训练多个输入/输出的测试拆分

from sklearn.model_selection import train_test_split

X1_train, X1_test, X2_train, X2_test, y_train, y_test = train_test_split(X1_scaled, X2_scaled, y, test_size=0.2)

[i.shape for i in (X1_train, X1_test, X2_train, X2_test, y_train, y_test)]

[(800, 3, 4), (200, 3, 4), (800, 2, 2), (200, 2, 2), (800,), (200,)]

具有 2 个输入和 1 个输出的 Keras 功能 API

from tensorflow.keras import layers, Model, utils

inp1 = layers.Input((3,4))
inp2 = layers.Input((2,2))
x1 = layers.Flatten()(inp1)
x2 = layers.Flatten()(inp2)
x = layers.concatenate([x1, x2])
x = layers.Dense(32)(x)
out = layers.Dense(1, activation='sigmoid')(x)

model = Model([inp1, inp2], out)

utils.plot_model(model, show_layer_names=False, show_shapes=True)

在此处输入图像描述

训练多输入模型

model.compile(loss='binary_crossentropy', optimizer='adam')
model.fit([X1_train, X2_train], y_train, epochs=4)

Epoch 1/4
25/25 [==============================] - 0s 674us/step - loss: 0.7310
Epoch 2/4
25/25 [==============================] - 0s 753us/step - loss: 0.7198
Epoch 3/4
25/25 [==============================] - 0s 842us/step - loss: 0.7147
Epoch 4/4
25/25 [==============================] - 0s 2ms/step - loss: 0.7079

推荐阅读