如何合并具有相同输入的 keras 顺序模型？

Question

我正在尝试在 keras 中创建我的第一个集成模型。我的数据集中有 3 个输入值和一个输出值。

from keras.optimizers import SGD,Adam
from keras.layers import Dense,Merge
from keras.models import Sequential

model1 = Sequential()
model1.add(Dense(3, input_dim=3, activation='relu'))
model1.add(Dense(2, activation='relu'))
model1.add(Dense(2, activation='tanh'))
model1.compile(loss='mse', optimizer='Adam', metrics=['accuracy'])

model2 = Sequential()
model2.add(Dense(3, input_dim=3, activation='linear'))
model2.add(Dense(4, activation='tanh'))
model2.add(Dense(3, activation='tanh'))
model2.compile(loss='mse', optimizer='SGD', metrics=['accuracy'])

model3 = Sequential()
model3.add(Merge([model1, model2], mode = 'concat'))
model3.add(Dense(1, activation='sigmoid'))
model3.compile(loss='binary_crossentropy', optimizer='Adam', metrics=['accuracy'])

model3.input_shape

集成模型 (model3) 编译时没有任何错误，但在拟合模型时，我必须将相同的输入传递两次 model3.fit([X,X],y)。我认为这是一个不必要的步骤，而不是两次传递输入，我想为我的集成模型提供一个公共输入节点。我该怎么做？

Answer 1

定义新的输入层并直接使用模型输出（在函数式 api 中工作）：

assert model1.input_shape == model2.input_shape # make sure they got same shape

inp = tf.keras.layers.Input(shape=model1.input_shape[1:])
model = tf.keras.models.Model(inputs=[inp], outputs=[model1(inp), model2(inp)])

Answer 2

etov 的回答是一个不错的选择。

但是假设您已经准备好model1 和model2 而您不想更改它们，您可以像这样创建第三个模型：

singleInput = Input((3,))

out1 = model1(singleInput)   
out2 = model2(singleInput)
#....
#outN = modelN(singleInput)

out = Concatenate()([out1,out2]) #[out1,out2,...,outN]
out = Dense(1, activation='sigmoid')(out)

model3 = Model(singleInput,out)

如果您已经准备好所有模型并且不想更改它们，您可以拥有这样的东西（未经测试）：

singleInput = Input((3,))
output = model3([singleInput,singleInput])
singleModel = Model(singleInput,output)

Answer 3

Keras functional API 似乎更适合您的用例，因为它允许计算图的更大灵活性。例如：

from keras.layers import concatenate
from keras.models import Model
from keras.layers import Input, Merge
from keras.layers.core import Dense
from keras.layers.merge import concatenate

# a single input layer
inputs = Input(shape=(3,))

# model 1
x1 = Dense(3, activation='relu')(inputs)
x1 = Dense(2, activation='relu')(x1)
x1 = Dense(2, activation='tanh')(x1)

# model 2 
x2 = Dense(3, activation='linear')(inputs)
x2 = Dense(4, activation='tanh')(x2)
x2 = Dense(3, activation='tanh')(x2)

# merging models
x3 = concatenate([x1, x2])

# output layer
predictions = Dense(1, activation='sigmoid')(x3)

# generate a model from the layers above
model = Model(inputs=inputs, outputs=predictions)
model.compile(optimizer='adam',
              loss='binary_crossentropy',
              metrics=['accuracy'])

# Always a good idea to verify it looks as you expect it to 
# model.summary()

data = [[1,2,3], [1,1,3], [7,8,9], [5,8,10]]
labels = [0,0,1,1]

# The resulting model can be fit with a single input:
model.fit(data, labels, epochs=50)

注意事项：

• Keras 版本（前版本和后版本 2）之间的 API 可能略有不同
• 上面的示例为每个模型指定了不同的优化器和损失函数。但是，由于 fit() 仅被调用一次（在模型 3 上），相同的设置 - 模型 3 的设置 - 将应用于整个模型。为了在训练子模型时有不同的设置，它们必须分别进行 fit() - 查看@Daniel 的评论。

编辑：基于 cmets 的更新笔记