神经网络的并行连接（CNN+LSTM）

        一. 数据集预处理

          1. 加载csv文件

obj = pd.read_csv("文件路径", header=0)

          2. 提取数据

data = np.asarray(obj.iloc[:, m:n+1])  # 数据集中在m~n列

          3. 数据归一化

                  参考数据标准化处理 

          4. 数据输入格式基本处理

# 如将样本处理成三维数据，可利用reshape()
data = data.reshape(num, rows, cols) 
# 列表转数组 
data = np.array(data)     

          5. 提取标签值

# 提取标签值
obj = obj[['列名1','列名2',...,'列名n']]

          6. 标签值的类别转id（即用数字表示标签的类别数，如果有n类标签就用0~n-1表示）

# 假设只有一列为标签
obj['id'] = obj['列名'].factorize()[0]  # 在其后增加一列，列名为id

          7. one-hot编码（适用于多分类问题）

# 将id列的数值进行编码
''' 如0~5编码后对应[[1,0,0,0,0,0],
                   [0,1,0,0,0,0],
                   [0,0,1,0,0,0],
                   [0,0,0,1,0,0],
                   [0,0,0,0,1,0],
                   [0,0,0,0,0,1]]
'''
lable = pd.get_dummies(obj['id']).values

           8. 划分训练数据和测试数据

# 划分训练集(80%)和测试集(20%)

# CNN输入
x_train1, x_test1, y_train, y_test = train_test_split(data, lable, test_size=0.2) 
# LSTM输入，标签一样，因此不用再次划分
x_train2, x_test2 = train_test_split(data, test_size=0.2) 

        二. 构建模型

# CNN输入格式（三维）
input_shape = (rows, cols, 1)
# input层
input_a = Input(shape=input_shape)
input_b = Input(shape=[‘LSTM输入样本序列长度’, ])

# CNN模型
model1 = Sequential([Convolution2D(32, (3, 3), activation='relu', padding='same',     input_shape=input_shape),
                     SeparableConv2D(32, (3, 3), activation='relu', padding='same'),
                     MaxPooling2D(pool_size=(2, 2)),
                     Dropout(0.25),
                     Flatten()])
# LSTM模型
model2 = Sequential([Embedding(256, 32, input_length='LSTM输入样本序列长度'),
                     LSTM(32, dropout=0.1, return_sequences=True),
                     Flatten()])
# 并联操作
concat = concatenate([model1(input_a), model2(input_b)], axis=1, name="concat_layer")
# 全连接层
output = Dense(类别_num, activation='softmax')(concat)  # 全连接层:每个神经元对应一个类别，输出值表示样本属于该类别的概率大小
model = Model(inputs=[input_a, input_b], outputs=[output])

        三. 编译模型

# 编译模型
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

        四. 训练模型

# 训练模型
# batch_size:训练批次样本数
# epochs:训练次数
# verbose:是否打印日志
history = model.fit([x_train1, x_train2], y_train, batch_size=128, epochs=20, verbose=2)

        五. 评估模型

# 评估模型
score = model.evaluate([x_test1, x_test2], y_test, verbose=0)
print('Test score:', score[0])
print('Test accuracy:', score[1])

        六. 打印模型各层参数

# way1:直接利用summary()打印
model.summary()

# way2:利用plot_model()打印
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
from keras.utils import plot_model
plot_model(model, to_file='obj.png', show_shapes=True)
photo = mpimg.imread('obj.png')  
plt.imshow(photo)  
plt.axis('off')   # 不显示坐标轴
plt.show()

        七. 注：所用到的库

from sklearn import preprocessing
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from keras.models import Sequential
from keras import Model
from keras.layers import Dense, Dropout, Flatten, Input
from keras.layers import Convolution2D, MaxPooling2D, SeparableConv2D 
from keras.layers import LSTM, Embedding, concatenate