具有多个输入的 Keras 顺序模型

Question

我正在制作一个 MLP 模型，它接受两个输入并产生一个输出。

我有两个输入数组（每个输入一个）和一个输出数组。神经网络有 1 个隐藏层和 2 个神经元。每个数组有 336 个元素。

model0 = keras.Sequential([
keras.layers.Dense(2, input_dim=2, activation=keras.activations.sigmoid, use_bias=True),
keras.layers.Dense(1, activation=keras.activations.relu, use_bias=True),
])

# Compile the neural network #
model0.compile(
    optimizer = keras.optimizers.RMSprop(lr=0.02,rho=0.9,epsilon=None,decay=0),
    loss = 'mean_squared_error',
    metrics=['accuracy']
)

我试了两种方法，都报错。

model0.fit(numpy.array([array_1, array_2]),output, batch_size=16, epochs=100)

ValueError: 检查输入时出错：预期的 dense_input 的形状为 (2,) 但得到的数组的形状为 (336,)

第二种方式：

model0.fit([array_1, array_2],output, batch_size=16, epochs=100)

ValueError：检查模型输入时出错：您传递给模型的 Numpy 数组列表不是模型预期的大小。预计会看到 1 个数组，但得到了以下 2 个数组的列表：

Similar question。但不使用顺序模型。

Answer 1

要解决此问题，您有两种选择。

1.使用顺序模型

在馈送到网络之前，您可以将两个数组连接为一个。假设两个数组的形状为 (Number_data_points, )，现在可以使用numpy.stack 方法合并数组。

merged_array = np.stack([array_1, array_2], axis=1)

model0 = keras.Sequential([
keras.layers.Dense(2, input_dim=2, activation=keras.activations.sigmoid, use_bias=True),
keras.layers.Dense(1, activation=keras.activations.relu, use_bias=True),
])

model0.fit(merged_array,output, batch_size=16, epochs=100)

2。使用函数式 API。

当模型有多个输入时，这是最推荐使用的方法。

input1 = keras.layers.Input(shape=(1, ))
input2 = keras.layers.Input(shape=(1,))
merged = keras.layers.Concatenate(axis=1)([input1, input2])
dense1 = keras.layers.Dense(2, input_dim=2, activation=keras.activations.sigmoid, use_bias=True)(merged)
output = keras.layers.Dense(1, activation=keras.activations.relu, use_bias=True)(dense1)
model10 = keras.models.Model(inputs=[input1, input2], output=output)

现在您可以使用您尝试适应模型的第二种方法

model0.fit([array_1, array_2],output, batch_size=16, epochs=100)

Answer 2

在您链接的答案中，由于所述原因，您不能使用Sequential API。您应该使用Model API，它也称为功能 API。在架构上，您需要在模型中定义如何将输入与 Dense 层相结合，即您希望如何创建中间层，即。合并/添加或减去等/构建嵌入层等），或者您可能想要 2 个神经网络，每个输入 1 个，并且只想在最后一层合并输出。以上各项的代码都会有所不同。

这是一个可行的解决方案，假设您要将输入合并为形状为 672 的向量，然后在该输入上构建一个神经网络：

import tensorflow as tf
from tensorflow.keras.layers import *
from tensorflow.keras.models import Sequential, Model
from tensorflow.keras.optimizers import Adam, RMSprop
import numpy as np

input1 = Input(shape=(336,))
input2 = Input(shape=(336,))
input = Concatenate()([input1, input2])
x = Dense(2)(input)
x = Dense(1)(x)
model = Model(inputs=[input1, input2], outputs=x)
model.summary()

您会注意到此模型合并或连接两个输入，然后在此之上构建一个神经网络：

Layer (type)                    Output Shape         Param #     Connected to                     
==================================================================================================
input_1 (InputLayer)            (None, 336)          0                                            
__________________________________________________________________________________________________
input_2 (InputLayer)            (None, 336)          0                                            
__________________________________________________________________________________________________
concatenate (Concatenate)       (None, 672)          0           input_1[0][0]                    
                                                                 input_2[0][0]                    
__________________________________________________________________________________________________
dense (Dense)                   (None, 2)            1346        concatenate[0][0]                
__________________________________________________________________________________________________
dense_1 (Dense)                 (None, 1)            3           dense[0][0]                      
==================================================================================================
Total params: 1,349
Trainable params: 1,349
Non-trainable params: 0

如果您有其他首选方法来创建中间层，则应将代码中的Concatenate 行替换为该行。

然后您可以编译并拟合模型：

model.compile(
    optimizer = RMSprop(lr=0.02,rho=0.9,epsilon=None,decay=0),
    loss = 'mean_squared_error'
)


x1, x2 = np.random.randn(100, 336),np.random.randn(100, 336,)
y = np.random.randn(100, 1)
model.fit([x1, x2], y)

Answer 3

上述解决方案包含推荐的方法，但我仍然遇到一些错误。 所以我尝试了以下方法。

for count in range (len(array_1)):
    input_array[count][0] = array_1[count]
    input_array[count][1] = array_2[count]

Array_1 和 Array_2 的长度相同。

然后像以前一样创建和编译模型。

最后为了训练，我用了：

model0.fit(input_array, output_array, batch_size=16, epochs=100, verbose=0)

这种方法对我有用。