keras多输入多输出,keras训练过程的输出

　　Keras可以通过其函数式API处理多个输入(甚至多个输出)。API的功能与顺序API相反(您之前几乎肯定是通过顺序类使用的)，可以用来定义更复杂的非顺序模型，包括：

　　多输入模型多输出模型是一种既有多输入又有多输出的模型。有向无环图是一种具有共享层的模型。例如，我们可以将简单的顺序神经网络定义为：

　　模型=顺序()

　　model.add(Dense(8，input_shape=(10，)，activation=relu ))

　　model.add(Dense(4，activation=relu ))

　　Model.add (dense (1，activation= linear ))。这个网络是一个简单的前馈神经网络，没有10个输入。第一个隐藏层有8个节点，第二个隐藏层有4个节点，最后一个输出层用于回归。

　　我们可以使用函数式API定义一个示例神经网络：

　　输入=输入(shape=(10，))

　　x=密集(8，激活=relu )(输入)

　　x=Dense(4，activation=relu)(x)

　　x=密集(1，激活=线性)(x)

　　Model=Model(inputs，x)请注意我们不再依赖于顺序类。要查看Keras function API的强大功能，请考虑下面的代码，我们在其中创建了一个接受多个输入的模型：

　　#定义两组输入

　　inputA=Input(shape=(32，)

　　inputB=Input(shape=(128，))

　　#第一个分支对第一个输入进行操作

　　x=Dense(8，activation=relu )(输入)

　　x=Dense(4，activation=relu)(x)

　　x=模型(输入=输入，输出=x)

　　#第二个分支对第二个输入进行运算

　　y=Dense(64，activation=relu)(inputB)

　　y=密集(32，激活=relu)(y)

　　y=密集(4，激活=relu)(y)

　　y=模型(输入=输入b，输出=y)

　　#合并两个分支的输出

　　组合=concatenate([x.output，y.output])

　　#应用FC层，然后在

　　#组合输出

　　z=Dense(2，activation=relu )(组合)

　　z=密集(1，激活=线性)(z)

　　#我们的模型将接受两个分支的输入

　　#然后输出单个值

　　Model=model (inputs=[x.input，y.input]，outputs=z)在这里，可以看到我们为Keras神经网络定义了两个输入：

　　输入：32-dim

　　输入的第2行：128-DIM使用Keras的函数式API定义了一个简单的32-8-4网络。类似地，第3行定义了一个128-64-32-4网络。然后我们在第17行合并X和Y的输出。x和y的输出都是四维的，所以一旦我们把它们连接起来，我们就有了一个8维的向量。然后，我们在第21行和第22行应用两个完整的连接层。第一层有2个节点，然后ReLU激活，第二层只有一个节点线性激活(也就是我们的回归预测)。构建多输入模型的最后一步是定义模型对象，它：

　　我们接受的两个输入将输出定义为最终的FC层集(即Z)。如果您想使用Keras来可视化模型架构，它将如下所示：

　　注意，我们的模型有两个不同的分支。第一个分支接受我们的128维输入，而第二个分支接受32维输入。这些分支相互独立运行，直到它们被连接起来。从那里输出一个网络值。

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。