深度学习keras多任务loss多输出模型搭建和callback使用

最新推荐文章于 2024-08-06 00:14:14 发布

GuoSoRui

最新推荐文章于 2024-08-06 00:14:14 发布

阅读量1.2k

点赞数

分类专栏： QITA 文章标签：深度学习

本文链接：https://blog.csdn.net/m0_49177610/article/details/107395404

版权

该博客介绍了如何利用Keras搭建深度学习的多任务模型，涉及多输出和多任务损失函数的配置。同时，文章讨论了在训练过程中如何使用Callback进行模型监控和优化，包括GPU加速和数据集的划分方法，如train_test_split函数的应用。

摘要由CSDN通过智能技术生成

gpu加速：

tf.compat.v1.keras.layers.CuDNNLSTM
tf.compat.v1.keras.layers.CuDNNGRU

#esim

import tensorflow as tf
from tensorflow.keras import *
from tensorflow.keras.layers import *
from sklearn.model_selection import train_test_split
# from xgboost import XGBClassifier
from sklearn.metrics import accuracy_score
from sklearn.preprocessing import OneHotEncoder

from tensorflow.keras import backend as K 

i1 = Input(shape=(100,), dtype='int32')
i2 = Input(shape=(100,), dtype='int32')

x1 = Embedding(len(embeddings_matrix_creative_id),30,weights=[embeddings_matrix_creative_id],trainable=False)(i1)
x2 = Embedding(len(embeddings_matrix_advertiser_id),30,weights=[embeddings_matrix_advertiser_id],trainable=False)(i2)

x1 = Bidirectional(LSTM(200, return_sequences=True))(x1)
# x1 = Attention()([x1,x1])
x2 = Bidirectional(LSTM(200, return_sequences=True))(x2)