2

我正在尝试组合由同一网络产生的两个输出，该网络对 4 类任务和 10 类任务进行预测。然后我希望将这些输出组合起来以给出一个长度为 14 的数组，我将其用作我的最终目标。

虽然这似乎很有效，但预测总是针对一个类，所以它产生一个概率分布，它只关心从 14 个选项中选择 1 个而不是 2 个。我真正需要它做的是提供 2 个预测，一个用于每个班级。我希望这一切都由同一个模型生产。

input = Input(shape=(100, 100), name='input')
lstm = LSTM(128, input_shape=(100, 100)))(input)

output1 = Dense(len(4), activation='softmax', name='output1')(lstm)
output2 = Dense(len(10), activation='softmax', name='output2')(lstm)

output3 = concatenate([output1, output2])

model = Model(inputs=[input], outputs=[output3])

我的问题是确定适当的损失函数和预测方法？对于预测，我可以简单地在 softmax 之后获取每一层的输出，但是我不确定如何为每个要训练的东西设置损失函数。

有任何想法吗？

非常感谢

4

1 回答 1

5

您不需要连接输出，您的模型可以有两个输出：

input = Input(shape=(100, 100), name='input')
lstm = LSTM(128, input_shape=(100, 100)))(input)

output1 = Dense(len(4), activation='softmax', name='output1')(lstm)
output2 = Dense(len(10), activation='softmax', name='output2')(lstm)

model = Model(inputs=[input], outputs=[output1, output2])

然后为了训练这个模型，你通常使用两个加权来产生一个损失：

model.compile(optimizer='sgd', loss=['categorical_crossentropy', 
              'categorical_crossentropy'], loss_weights=[0.2, 0.8])

只需确保正确格式化数据，因为现在每个输入样本对应于两个输出标记样本。有关更多信息，请查看功能 API 指南。

于 2017-07-05T14:31:18.767 回答