如何使用多个 3D 数组训练回归 Model？

Question

我想用 3D 数组训练我的回归 model 吗？ 我该如何在 Python 中做到这一点？ 你能指导我吗？ 实际上，我想通过输入多个 3D arrays 来预测回归值。 是否可以从多个 3d arrays 中仅预测单个浮点数？ 谢谢

train.model((x1,x2,x3..xN), y 值)。

其中 x1,x2,..xN 是 3D 阵列。 Y 是 output 只是单个浮点数。

Answer 1

关键是将您的 3D 样本重塑为平面一维样本。 以下示例代码使用tf.reshape对输入进行整形，然后将其馈送到常规密集网络以通过 tf.identity 回归到单个值tf.identity （未激活）。

%tensorflow_version 2.x
%reset -f

import tensorflow as tf
from   tensorflow.keras import *
from   tensorflow.keras.models import *
from   tensorflow.keras.layers import *
from   tensorflow.keras.callbacks import *

class regression_model(Model):
    def __init__(self):
        super(regression_model,self).__init__()
        self.dense1 = Dense(units=300, activation=tf.keras.activations.relu)
        self.dense2 = Dense(units=200, activation=tf.keras.activations.relu)
        self.dense3 = Dense(units=1,   activation=tf.identity)

    @tf.function
    def call(self,x):
        h1 = self.dense1(x)
        h2 = self.dense2(h1)
        u  = self.dense3(h2) # Output
        return u

if __name__=="__main__":
    inp = [[[1],[2],[3],[4]], [[3],[3],[3],[3]]] # 2 samples of whatever shape
    exp = [[10],              [12]] # Regress to sums for example'

    inp = tf.constant(inp,dtype=tf.float32)
    exp = tf.constant(exp,dtype=tf.float32)

    NUM_SAMPLES = 2
    NUM_VALUES_IN_1SAMPLE = 4
    inp = tf.reshape(inp,(NUM_SAMPLES,NUM_VALUES_IN_1SAMPLE))

    model = regression_model()
    model.compile(loss=tf.losses.MeanSquaredError(),
                  optimizer=tf.optimizers.Adam(1e-3))
    
    model.fit(x=inp,y=exp, batch_size=len(inp), epochs=100)

    print(f"\nPrediction from {inp}, will be:")
    print(model.predict(x=inp, batch_size=len(inp), steps=1))
# EOF