python - 如何在python中的keras functional api中执行交叉验证

Question

我想对具有多个输入的 Keras 模型执行交叉验证。所以，我尝试了 KerasClassifier。这适用于只有一个输入的普通顺序模型。然而，当使用功能性 api 并扩展到两个输入时，sklearn 的 cross_val_predict 似乎没有按预期工作。

def create_model():
    input_text = Input(shape=(1,), dtype=tf.string)
    embedding = Lambda(UniversalEmbedding, output_shape=(512, ))(input_text)
    dense = Dense(256, activation='relu')(embedding)    
    input_title = Input(shape=(1,), dtype=tf.string)
    embedding_title = Lambda(UniversalEmbedding, output_shape=(512, ))(input_title)
    dense_title = Dense(256, activation='relu')(embedding_title)    
    out = Concatenate()([dense, dense_title])

    pred = Dense(2, activation='softmax')(out)
    model = Model(inputs=[input_text, input_title], outputs=pred)
    model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

    return model

失败的交叉验证代码

keras_classifier = KerasClassifier(build_fn=create_model, epochs=10, batch_size=10, verbose=1)
cv = StratifiedKFold(n_splits=10, random_state=0)
results = cross_val_predict(keras_classifier, [X1, X2], y, cv=cv, method = "predict_proba")

后来发现KerasClassifier只支持顺序模型:https://keras.io/scikit-learn-api/ .换句话说，它不支持具有多个输入的函数式 api。

因此，我想知道是否有其他方法可以对keras中使用函数式api的模型进行交叉验证。更具体地说，我想获得每个数据实例的预测概率(当它在交叉验证的测试切片中时)——这就是 cross_val_predict 的情况。

如果需要，我很乐意提供更多详细信息。

编辑:我当前的问题是如何将多个输入输入到 StratifiedKFold.split()。我已经把 ?????????????? 放在代码里了。只是想是否可以将其作为 [input1, input2, input3, input4, input5]

假设，我有 5 个输入，分别是 input1、input2、input3、input4、input5 ，如何在 StratifiedKFold.split()

中使用这些输入

k_fold = StratifiedKFold(n_splits=10, shuffle=True, random_state=0)

for train_index, test_index in k_fold.split(????????????, labels):

    print("iteration", i, ":")
    print("train indices:", train_index)

    #input1
    print("train data:", input1[train_index])

    #input2
    print("train data:", input2[train_index])

    #input3
    print("train data:", input3[train_index])

    #input4
    print("train data:", input1[train_index])

    #input5
    print("train data:", input1[train_index])

    print("test indices:", test_index)
    print("test data:", X[test_index])

Answer 1

有趣的一点是 sklearn 只支持 Sequential 但看你的模型我认为你可以有一个输入因为它们共享嵌入等:

def create_model():
    model = Sequential()
    model.add(Lambda(UniversalEmbedding, output_shape=(2, 512), input_shape=(2,)))
    # (2, 512)
    model.add(Flatten()) # (2*512)
    model.add(Dense(2*256, activation='relu')) # (2*256)
    model.add(Dense(2, activation='softmax'))
    model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

    return model

换句话说，你有 2 个相同域的输入以相同的方式嵌入，所以你可以使用大小为 2 的单个输入。然后为了模拟两个密集层，你展平并拥有一个大小两倍的密集层: ) 这会将您带到模型相同的连接层。