2024年最全深度学习高级，Keras多输入和混合数据实现回归模型

model = Model(inputs, x)

请注意我们如何不再依赖 Sequential 类。 要了解 Keras 函数 API 的强大功能，请考虑以下代码，其中我们创建了一个接受多个输入的模型：

define two sets of inputs

inputA = Input(shape=(32,))

inputB = Input(shape=(128,))

the first branch operates on the first input

x = Dense(8, activation=“relu”)(inputA)

x = Dense(4, activation=“relu”)(x)

x = Model(inputs=inputA, outputs=x)

the second branch opreates on the second input

y = Dense(64, activation=“relu”)(inputB)

y = Dense(32, activation=“relu”)(y)

y = Dense(4, activation=“relu”)(y)

y = Model(inputs=inputB, outputs=y)

combine the output of the two branches

combined = concatenate([x.output, y.output])

apply a FC layer and then a regression prediction on the

combined outputs

z = Dense(2, activation=“relu”)(combined)

z = Dense(1, activation=“linear”)(z)

our model will accept the inputs of the two branches and

then output a single value

model = Model(inputs=[x.input, y.input], outputs=z)

在这里，您可以看到我们为 Keras 神经网络定义了两个输入：

• 输入A：32-dim

• 输入B : 128-dim

使用 Keras 的函数式 API 定义了一个简单的 32-8-4 网络。

类似地，定义了一个 128-64-32-4 网络。

然后我们合并 x 和 y 的输出。 x 和 y 的输出都是 4-dim，所以一旦我们将它们连接起来，我们就有一个 8-dim 向量。 然后，我们应用另外两个完全连接的层。第一层有 2 个节点，然后是 ReLU 激活，而第二层只有一个具有线性激活的节点（即我们的回归预测）。 构建多输入模型的最后一步是定义一个模型对象，它：

• 接受我们的两个输入

• 将输出定义为最终的 FC 层集（即 z ）。

如果您要使用 Keras 来可视化模型架构，它将如下所示：

图 3：该模型有两个输入分支，最终合并并产生一个输出。 Keras 函数式 API 支持这种类型的架构以及您可以想象的其他架构。

注意我们的模型有两个不同的分支。 第一个分支接受我们的 128-d 输入，而第二个分支接受 32-d 输入。 这些分支彼此独立运行，直到它们连接起来。 从那里从网络输出单个值。 在本教程的其余部分，您将学习如何使用 Keras 创建多个输入网络。

房价数据集

================================================================

图 4：房价数据集由数字/分类数据和图像数据组成。 使用 Keras，我们将构建一个支持多输入和混合数据类型的模型。 结果将是预测房屋价格/价值的 Keras 回归模型。

数据集地址：emanhamed/Houses-dataset: This is the first benchmark dataset for houses prices that contains both images and textual information that was introduced in our paper. (github.com)

该数据集包括数字/分类数据以及数据集中 535 个示例房屋中的每一个的图像数据。 数字和分类属性包括：

• 卧室数量

• 浴室数量

• 面积（即平方英尺）

• 邮政编码

每个房子总共提供了四张图片：

• 卧室

• 浴室

• 厨房

• 房子的正面图

今天，我们将使用 Keras 处理多个输入和混合数据。 我们将接受数字/分类数据以及我们的图像数据到网络。 将定义网络的两个分支来处理每种类型的数据。 然后将在最后合并分支以获得我们最终的房价预测。

通过这种方式，我们将能够利用 Keras 处理多个输入和混合数据。

项目结构

===============================================================

$ tree --dirsfirst --filelimit 10

.

├── Housesdataset

│ ├── HousesDataset [2141 entries]

│ └── README.md

├── model

│ ├── init.py

│ ├── datasets.py

│ └── models.py

└── mixed_training.py

Houses-dataset 文件夹包含我们在本系列中使用的 House Prices 数据集。 当我们准备好运行 mix_training.py 脚本时，您只需要提供一个路径作为数据集的命令行参数（我将在结果部