keras Model 2 多輸入和輸出

1 入門

2 多個輸入和輸出

3 共享層

函數式模型有一個很好用的應用實例是：編寫擁有多個輸入和輸出的模型。函數式模型使得在複雜網絡中操做巨大的數據流變的簡單。

咱們實現下面這樣的模型

from keras.layers import Input, Embedding, LSTM, Dense
from keras.models import Model

# Headline input: meant to receive sequences of 100 integers, between 1 and 10000.
# Note that we can name any layer by passing it a "name" argument.
main_input = Input(shape=(100,), dtype='int32', name='main_input')

# This embedding layer will encode the input sequence
# into a sequence of dense 512-dimensional vectors.
x = Embedding(output_dim=512, input_dim=10000, input_length=100)(main_input)

# A LSTM will transform the vector sequence into a single vector,
# containing information about the entire sequence
lstm_out = LSTM(32)(x)

這裏有 兩個知識點

一、embedding層的使用。這裏有個背景知識：咱們輸入的是100整數，每一個整數都是0-1000的。表明的含義是：咱們有個1000詞的詞典，輸入的是100詞的標題

而後通過embedding層，進行編碼，輸出512的向量

二、 LSTM（32）返回值是一個model，它能夠向layer同樣直接被調用

而後咱們插入一個輔助層，它可使得即便在模型的主損失值很大的時候 ，LSTM和Embedding層也能夠獲得平滑的訓練

auxiliary_output = Dense(1, activation='sigmoid', name='aux_output')(lstm_out)

咱們加入一個平滑的輸入 ，把它和LSTM的輸出鏈接在一塊兒

auxiliary_input = Input(shape=(5,), name='aux_input')
x = keras.layers.concatenate([lstm_out, auxiliary_input])

# We stack a deep densely-connected network on top
x = Dense(64, activation='relu')(x)
x = Dense(64, activation='relu')(x)
x = Dense(64, activation='relu')(x)

# And finally we add the main logistic regression layer
main_output = Dense(1, activation='sigmoid', name='main_output')(x)

這樣，咱們的模型就有兩個輸入和兩個輸出

model = Model(inputs=[main_input, auxiliary_input], outputs=[main_output, auxiliary_output])

咱們編譯咱們的模型，而且給平滑損失一個0.2的權重。能夠用列表或者字典定義不一樣輸出對應損失權重，若是對loss傳入一個數 ，則損失權重會被用於所有的輸出。

model.compile(optimizer='rmsprop', loss='binary_crossentropy',
              loss_weights=[1., 0.2])

而後fit數據進行訓練

model.fit([headline_data, additional_data], [labels, labels],
          epochs=50, batch_size=32)

固然，也能夠經過字典來 實現這個目的：

model.compile(optimizer='rmsprop',
              loss={'main_output': 'binary_crossentropy', 'aux_output': 'binary_crossentropy'},
              loss_weights={'main_output': 1., 'aux_output': 0.2})

# And trained it via:
model.fit({'main_input': headline_data, 'aux_input': additional_data},
          {'main_output': labels, 'aux_output': labels},
          epochs=50, batch_size=32)