machine-learning - 连接无输出的 Keras 模型

Question

我有 2 个模型用于分类:

morf_model = keras.Sequential([
    keras.layers.Dense(800, activation=tf.nn.tanh , input_shape=([np.shape(x)[1]])),
    keras.layers.Dense(800, activation=tf.nn.tanh),
    keras.layers.Dense(600, activation=tf.nn.tanh),
    keras.layers.Dense(300, activation=tf.nn.tanh),
    keras.layers.Dense(50, activation=tf.nn.tanh),
    keras.layers.Dense(2, activation=tf.nn.sigmoid)
])

和

color_model = keras.Sequential([
    keras.layers.Dense(800, activation=tf.nn.tanh , input_shape=([np.shape(col_x)[1]])),
    keras.layers.Dense(800, activation=tf.nn.tanh),
    keras.layers.Dense(600, activation=tf.nn.tanh),
    keras.layers.Dense(300, activation=tf.nn.tanh),
    keras.layers.Dense(50, activation=tf.nn.tanh),
    keras.layers.Dense(2, activation=tf.nn.sigmoid)
])

我想删除输出层(有2个节点的层)，卡住它们并将其与新模型连接

model = keras.Sequential([
    keras.layers.Dense(1000, activation=tf.nn.tanh , input_shape=([np.shape(last_x)[1]])),
    keras.layers.Dense(800, activation=tf.nn.tanh),
    keras.layers.Dense(600, activation=tf.nn.tanh),
    keras.layers.Dense(300, activation=tf.nn.tanh),
    keras.layers.Dense(50, activation=tf.nn.tanh),
    keras.layers.Dense(2, activation=tf.nn.sigmoid)
])

所以模型看起来像

morf_model ---|
              |--->model 
color_model  -|

这可能吗？

谢谢

Answer 1

是的，使用 Keras 功能 API 为您带来一切可能性。在这里查看

https://keras.io/getting-started/functional-api-guide/#multi-input-and-multi-output-models

您可以删除两个网络的最后一层并仍然连接它们，现在，确保倒数第二层是输出层。

例如:

merge = Concatenate()([morf_model.output,color_model.output])
model = Model(inputs=[morf_model.input,color_model.input], outputs=output)