python - Keras 中连接多输入深度神经网络的正确最后一层是什么?
问题描述
我正在尝试使用 Keras 为具有 3 个可能输出的多类分类问题实现多输入模型,但我不明白将任何层保留为最后一层是否正确,或者它是否应该尊重数量的限制班级。
那么下面这两个之间的正确(如果可以定义一个正确的)架构是什么?
1)
def createModel(numData, boolData, ordData):
numIn = ks.Input(shape=numData.shape[1:3], name='numeric')
x = ks.layers.Masking(mask_value=np.float64(0), input_shape=numData.shape[1:3])(numIn)
mod1 = ks.layers.LSTM(128, return_sequences=True)(x)
mod1 = ks.layers.LSTM(128)(mod1)
model1 = ks.Model(numIn, mod1)
boolIn = ks.Input(shape=boolData.shape[1], name='boolean')
mod2 = ks.layers.Dense(128, activation='relu')(boolIn)
mod2 = ks.layers.Dense(128, activation='relu')(mod2)
model2 = ks.Model(boolIn, mod2)
ordIn = ks.Input(shape=ordData.shape[1], name='ordinal')
mod3 = ks.layers.Dense(128, activation='relu')(ordIn)
mod3 = ks.layers.Dense(128, activation='relu')(mod3)
model3 = ks.Model(ordIn, mod3)
finMod = ks.layers.concatenate([model1.output, model2.output, model3.output])
out = ks.layers.Dense(3, activation='softmax', name='out')(finMod)
model = ks.Model(inputs=[model1.input, model2.input, model3.input], outputs=[out])
return model
def createModel(numData, boolData, ordData):
numIn = ks.Input(shape=numData.shape[1:3], name='numeric')
x = ks.layers.Masking(mask_value=np.float64(0), input_shape=numData.shape[1:3])(numIn)
mod1 = ks.layers.LSTM(128, return_sequences=True)(x)
mod1 = ks.layers.LSTM(128)(mod1)
mod1 = ks.layers.Dense(3, activation='softmax')(mod1) #added layer
model1 = ks.Model(numIn, mod1)
boolIn = ks.Input(shape=boolData.shape[1], name='boolean')
mod2 = ks.layers.Dense(128, activation='relu')(boolIn)
mod2 = ks.layers.Dense(128, activation='relu')(mod2)
mod2 = ks.layers.Dense(3, activation='softmax')(mod2) #added layer
model2 = ks.Model(boolIn, mod2)
ordIn = ks.Input(shape=ordData.shape[1], name='ordinal')
mod3 = ks.layers.Dense(128, activation='relu')(ordIn)
mod3 = ks.layers.Dense(128, activation='relu')(mod3)
mod3 = ks.layers.Dense(3, activation='softmax')(mod3) #added layer
model3 = ks.Model(ordIn, mod3)
finMod = ks.layers.concatenate([model1.output, model2.output, model3.output])
out = ks.layers.Dense(3, activation='softmax', name='out')(finMod)
model = ks.Model(inputs=[model1.input, model2.input, model3.input], outputs=[out])
return model
显然,如果还有其他大错误,请告诉我,因为我仍在学习 Keras 和深度学习,我可能误解了一些基础知识。
解决方案
中间层不必输出 3 个类别(如模型 #2 中所示)。在这种情况下没有“正确的方式”,它只是两种不同的方式。
在模型#2 的情况下,添加的层将每个通道的信息压缩为 3 个单元。可以将其解释为好像每个通道都被要求进行自己的预测,而最后一个通道依赖于中间预测来输出最终类别。
而在模型 #1 的情况下,最后一层与通道层的连接要多得多,但整个模型的深度却不那么深。
但是这些都不能提前告诉你哪一个最适合你的情况。
推荐阅读
- java - 用于 DNS 和记录的 MSAL JAVA WEB API
- reactjs - 如何将 SVG 样式转换为 JSX
- javascript - 将带有每个的 JQuery 函数转换为 vanilla JS
- node.js - 如何获取与mongodb中所需参数匹配的数组中的对象数?
- flutter - 颤动中的showModalBottomSheet有多接近?
- swift - TableView 中的 collectionView reloaddata
- python - 将数据框从水平列重塑为垂直
- php - Laravel 验证:软删除 + 唯一电子邮件 + 更新
- javascript - 使用 await 和 async 在其他任何事情之前加载解析 Tau-Prolog
- actionscript-3 - FlashDevelop 调试器窗口显示不正确的分辨率