【ML&DL学习】5 tf keras regression wide deep subclass multiinput multioutput

Wide & Deep 模型

分类求一个分布，回归求一个数值




用向量表达出 词与词之间的距离

• Wide模型只有一层，所有输入直接连接输出，输入是稀疏特征，也就是one-hot表达，one-hot表达每个分量直接连接在输出层上。
• Wide & Deep模型，左半部分是Wide模型，右半部分是一个Deep模型，Deep模型是一个有多层的一个神经网络，对一个输入的数据，先表示一个密集的向量表达，在密集的向量表达之上，有一个多层的全连接网络，最后连接到输出。
  
  
  

函数式API实现

# 函数式API 功能API 函数调用tf.keras里面的一些层次
# 有两部分组成 不用sequential
input = keras.layers.Input(shape=x_train.shape[1:])
# 函数式调用
hidden1 = keras.layers.Dense(30, activation='relu')(input)
hidden2 = keras.layers.Dense(30, activation='relu')(hidden1)
# 复合函数: f(x) = h(g(x))
# 合并deep 和 wide hidden2是deep的输出， input是wide的输入
concat = keras.layers.concatenate([input, hidden2])
# 把拼接好的数据给输出 1个单元 没有激活函数 输入时concat
output = keras.layers.Dense(1)(concat)
# 固化模型 函数式api没有返回固化model 要自己设置
model = keras.models.Model(inputs = [input],
                           outputs = [output])
model.summary()
model.compile(loss="mean_squared_error", optimizer="sgd")
callbacks = [keras.callbacks.EarlySt