如何多次训练1个模型并将其合并到输出层？
例如：
model_one = Sequential() #model 1
model_one.add(Convolution2D(32, 3, 3, activation='relu', input_shape=(1,28,28)))
model_one.add(Flatten())
model_one.add(Dense(128, activation='relu'))
model_two = Sequential() #model 2
model_two.add(Dense(128, activation='relu', input_shape=(784)))
model_two.add(Dense(128, activation='relu'))
model_???.add(Dense(10, activation='softmax')) #combine them here
model.compile(loss='categorical_crossentropy', #continu together
optimizer='adam',
metrics=['accuracy'])
model.fit(X_train, Y_train, #continu together somehow, even though this would never work because X_train and Y_train have wrong formats
batch_size=32, nb_epoch=10, verbose=1)
我听说我可以通过图形模型来做到这一点，但是我找不到关于它的任何文档。
编辑：答复以下建议：
A1 = Conv2D(20,kernel_size=(5,5),activation='relu',input_shape=( 28, 28, 1))
---> B1 = MaxPooling2D(pool_size=(2,2))(A1)
抛出此错误：
AttributeError: 'Conv2D' object has no attribute 'get_shape'
图形符号会为您完成。本质上，您为每一层提供了唯一的句柄，然后使用末尾方括号中的句柄链接回到上一层：
layer_handle = Layer(params)(prev_layer_handle)
请注意，第一层必须是，Input(shape=(x,y))且之前没有连接。
然后，当您制作模型时，您需要告诉它，它期望有一个列表的多个输入：
model = Model(inputs=[in_layer1, in_layer2, ..], outputs=[out_layer1, out_layer2, ..])
最后，在训练它时，您还需要提供与您的定义相对应的输入和输出数据的列表：
model.fit([x_train1, x_train2, ..], [y_train1, y_train2, ..])
同时，其他所有内容都是相同的，因此您只需要将上述内容组合在一起即可为您提供所需的网络布局：
from keras.models import Model
from keras.layers import Input, Convolution2D, Flatten, Dense, Concatenate
# Note Keras 2.02, channel last dimension ordering
# Model 1
in1 = Input(shape=(28,28,1))
model_one_conv_1 = Convolution2D(32, (3, 3), activation='relu')(in1)
model_one_flat_1 = Flatten()(model_one_conv_1)
model_one_dense_1 = Dense(128, activation='relu')(model_one_flat_1)
# Model 2
in2 = Input(shape=(784, ))
model_two_dense_1 = Dense(128, activation='relu')(in2)
model_two_dense_2 = Dense(128, activation='relu')(model_two_dense_1)
# Model Final
model_final_concat = Concatenate(axis=-1)([model_one_dense_1, model_two_dense_2])
model_final_dense_1 = Dense(10, activation='softmax')(model_final_concat)
model = Model(inputs=[in1, in2], outputs=model_final_dense_1)
model.compile(loss='categorical_crossentropy', #continu together
optimizer='adam',
metrics=['accuracy'])
model.fit([X_train_one, X_train_two], Y_train,
batch_size=32, nb_epoch=10, verbose=1)
可以在Functional Model API中找到文档。我建议您阅读其他问题，或者也查阅Keras的回购协议，因为该文档目前没有太多示例。
本文收集自互联网，转载请注明来源。
如有侵权，请联系 [email protected] 删除。
我来说两句