Keras LSTM 从文本分类中的一个输入预测两个特征？

Question

我有 X 作为文本，有两个不同的标签（列）要训练。

--input.csv--
content, category, rate
text test, 1, 3
new test, 2, 2

这里我的输入 X 将是内容。我已将其转换为序列矩阵。我需要与内容一起训练类别和速率。我不知道如何在图层中传递它。

def RNN():
    num_categories = 2
    num_rates = 3
    inputs = Input(name='inputs',shape=[max_len])

    layer = Embedding(max_words,150,input_length=max_len)(inputs)
    layer = LSTM(100)(layer)

    shared_layer = Dense(256, activation='relu', name='FC1')(layer)
    shared_layer = Dropout(0.5)(shared_layer)

    cat_out = Dense(num_categories, activation='softmax', name='cat_out')(shared_layer)
    rate_out = Dense(num_rates, activation='softmax', name='rate_out')(shared_layer)

    model = Model(inputs=inputs,outputs=[cat_out, rate_out])
    return model

model = RNN()
model.summary()
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])  
model.fit(sequences_matrix,[Y_train, Z_train])

Y_train 仅包含类别。我想为培训增加费率。有人知道吗？ 我想要两个结果。一个应该是关于类别的，另一个是速率。 目前它只返回标签。不随率。我不知道如何为 Rate 列添加图层。

Answer 1

您可以使用功能 API 来实现这一点，只需让网络从共享特征层获得 2 个输出：

shared_layer = Dense(256, activation='relu', name='FC1')(layer)
shared_layer = Dropout(0.5)(shared_layer)
cat_out = Dense(num_categories, activation='softmax', name='cat_out')(shared_layer)
rate_out = Dense(num_rates, activation='softmax', name='rate_out')(shared_layer)

model = Model(inputs=inputs,outputs=[cat_out, rate_out])
return model

您现在将使用两个目标进行训练，y_train_cat 和 y_train_rate，并将它们作为列表提供给 model.fit(X_train, [y_train_cat, y_train_rate])，模型将做出两个不同的预测。

查看功能 API documentation，了解如何处理多输入/多输出模型。