使用 Keras 訓練具有兩個不同輸出的相同 model

Question

我在 python 中有一個用 Keras 編碼的簡單 GRU.network，如下所示：

gru1  = GRU(16, activation='tanh', return_sequences=True)(input)
dense  = TimeDistributed(Dense(16, activation='tanh'))(gru1)
output = TimeDistributed(Dense(1, activation="sigmoid"))(dense)

我對 output 使用了 sigmoid 激活，因為我的目的是分類。 但我也需要使用相同的 model 進行回歸。 我需要將 output 激活更改為線性。 但是.net的rest還是老樣子。 所以在這種情況下，我將使用兩個不同的 .networks 來實現兩個不同的目的。 輸入是相同的。 但是輸出是 sigmoid 的類和線性激活的值。

我的問題是，有沒有辦法只使用 one.network 但最后得到兩個不同的輸出？ 謝謝。

Answer 1

是的，您可以使用功能 API 設計多輸出 model。您可以保留共享層和 2 個不同的輸出，一個帶有 sigmoid，另一個帶有線性激活。

注意：不要將input用作變量，它是 python 中的 function 名稱。

from tensorflow.keras.layers import *
from tensorflow.keras.models import Model
seq_len = 100 # your sequence length
input_ = Input(shape=(seq_len,1))
gru1  = GRU(16, activation='tanh', return_sequences=True)(input_)
dense  = TimeDistributed(Dense(16, activation='tanh'))(gru1)
output1 = TimeDistributed(Dense(1, activation="sigmoid", name="out1"))(dense)
output2 = TimeDistributed(Dense(1, activation="linear", name="out2"))(dense)

model = Model(input_, [output1, output2])

model.summary()

Model: "model_1"
__________________________________________________________________________________________________
Layer (type)                    Output Shape         Param #     Connected to                     
==================================================================================================
input_3 (InputLayer)            [(None, 100, 1)]     0                                            
__________________________________________________________________________________________________
gru_2 (GRU)                     (None, 100, 16)      912         input_3[0][0]                    
__________________________________________________________________________________________________
time_distributed_3 (TimeDistrib (None, 100, 16)      272         gru_2[0][0]                      
__________________________________________________________________________________________________
time_distributed_4 (TimeDistrib (None, 100, 1)       17          time_distributed_3[0][0]         
__________________________________________________________________________________________________
time_distributed_5 (TimeDistrib (None, 100, 1)       17          time_distributed_3[0][0]         
==================================================================================================
Total params: 1,218
Trainable params: 1,218
Non-trainable params: 0

使用兩個損失函數進行編譯：

losses = {
    "out1": "binary_crossentropy",
    "out2": "mse",
}

# initialize the optimizer and compile the model

model.compile(optimizer='adam', loss=losses, metrics=["accuracy", "mae"])