keras搬砖系列-keras多输入多输出模型

最新推荐文章于 2025-10-04 10:16:32 发布

原创最新推荐文章于 2025-10-04 10:16:32 发布 · 1w 阅读

14 ·

CC 4.0 BY-SA版权

深度学习=====keras搬砖系列专栏收录该内容

55 篇文章

订阅专栏

本文介绍如何使用Keras函数式API构建多输入多输出模型。以新闻预测模型为例，探讨了模型结构的设计思路，并通过Inception模块示例展示了具体实现方法。

keras搬砖系列-keras多输入多输出模型

使用函数式模型的一个典型的场景就是搭建多输入，多输出模型。

考虑这样一个模型，希望预测一条新闻会被转发和点赞多少次。模型的主要输入是新闻的本身，也就是一个词语的序列，但是我们可能还需要额外的输入，新闻发布的日期等，所以这个模型的损失函数将会由两个部分组成，辅助的损失函数基于新闻本身做出的预测的情况，主损失函数评估基于新闻和额外信息的预测情况，即使来自主损失函数的梯度弥散，来自辅助损失函数的信息也能够训练。

以inception module为例：

from keras.layers import Conv2D,MaxPooling2D,Input
input_img = Input(shape=(256,256,3))
tower_1 = Conv2D(64,(1,1),padding='same',activation='relu')(input_img)
tower_1 = Conv2D(64,(1,1),padding='same',activation='relu')(input_img)

tower_2 = Conv2D(64,(1,1),padding='same',activation='relu')(input_img)
tower_2 = Conv2D(64,(5,5),padding='same',activation='relu')(tower_2)

tower_3 = MaxPooling2D((3,3),strides=(1,1),padding='same')(input_img)
tower_3 = Conv2D(64,(1,1),padding='same',activation='relu')(tower_3)

output = keras.layers.concatenate([tower_1,tower_2,tower_3],axis=1)