2

下面是一个有效的示例，后面是无效的示例。

library(keras)

# placeholder data
Y <- data.frame(y1=1:100,y2=1:100)
X <- data.frame(x1=1:100,x2=1:00,x3=1:100)

# add covariates
input <- layer_input(shape=dim(X)[2],name="covars")

# add hidden layers
base_model <- input  %>%
  layer_dense(units = 3, activation='relu') %>%
  layer_dense(units = 2, activation='relu') 

# add outputs
y1 <- base_model %>% 
  layer_dense(units = 1, name="y1") 

y2 <- base_model %>% 
  layer_dense(units = 1, name="y2") 

# combine
model <- keras_model(input,list(y1,y2))

这是只有两个输出的简单情况。对于有很多输出的情况，您不想像我在上面为y1and所做的那样为每个输出编写脚本y2吗？这会在循环中添加输出：

# add outputs in loop
for(i in 1:dim(Y)[2]){
  y <- colnames(Y)[i]
  outstring <- paste0(
    sprintf("%s <- base_model %%>%%", y), 
    sprintf(" layer_dense(units = 1, name='%s')",y)
  )
  eval(parse(text=outstring))
}

但我不知道如何将输出列表传递给编译函数。这次尝试：

Ylist <- do.call(c, apply(Y, 2, list))
model <- keras_model(input,Ylist)

返回以下错误：

Error in py_call_impl(callable, dots$args, dots$keywords) : 
  TypeError: unhashable type: 'list'

我也试过keras_array()：

model <- keras_model(input,keras_array(Ylist))

哪个返回：

Error in py_call_impl(callable, dots$args, dots$keywords) : 
  TypeError: unhashable type: 'numpy.ndarray'

如果有办法绕过我for-loop的使用，我可以不命名输出sprintf()。我正在处理的问题有超过 20 个我想同时预测的输出。

4

1 回答 1

1

This works,

Ylist <- paste0("list(",paste(colnames(Y),sep="",collapse=","),")")
model <- keras_model(input,eval(parse(text=Ylist)))
于 2018-01-27T04:58:10.037 回答