多任务学习 keras（将两个任务合二为一）

Question

我在 keras 上工作，我有两个问题要解决（一个分类和其他回归），输入相同但输出不同 对于分类，所有数据都将被使用，也将用于回归，差异仅在输出层 我为每个模型创建一个模型，作为以下分类示例

model = Sequential()
model.add(Dense(300, activation='relu', input_dim=377))
model.add(Dense(256, activation='relu'))
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.1))
model.add(Dense(56, activation='relu'))
model.add(Dense(16, activation='relu'))
model.add(Dropout(0.1))
model.add(Dense(1))# 

而且效果很好，在最后一个模型中发生变化的相同模型适用于回归问题 我的问题是如何在多任务学习神经网络中整合这两个任务，它接受一个输入并输出这两个任务 我搜索了很多，但我没有找到我想要的解决方案 注意：我使用 CSV 文件格式的数据

任何帮助将不胜感激

Answer 1

这是一个使用 keras 功能 api 的示例

inp = Input((377,))
x = Dense(300, activation='relu')(inp)
x = Dense(256, activation='relu')(x)
x = Dense(128, activation='relu')(x)
x = Dropout(0.1)(x)
x = Dense(56, activation='relu')(x)
x = Dense(16, activation='relu')(x)
x = Dropout(0.1)(x)

out_reg = Dense(1, name='reg')(x)
out_class = Dense(1, activation='sigmoid', name='class')(x) # I suppose bivariate classification problem

model = Model(inp, [out_reg, out_class])

model.compile('adam', loss={'reg':'mse', 'class':'binary_crossentropy'}, 
              loss_weights={'reg':0.5, 'class':0.5})

我使用您报告的结构进行分类和回归，唯一的区别在于输出：2 个密集层，一个回归和另一个分类（我想是二元分类器）

我还为回归和分类应用了不同的损失。你也可以用不同的方式来平衡它们