最近想将多个模型训练不同特征,想看看是否能提高训练准确率,想要多模型融合,建议构建模型的方式用函数式 API的形式进行构建,即使用keras的Model() .
我的数据集形式是这样的:一行代表一个样本,每个样本有4个特征,每个特征包含6000个数据,这样就是每行有24000个数据,其中0到5999是特征一的数据,6000到11999是特征二的数据,12000到17999是特征三的数据,18000到23999是特征三的数据。
我预想的模型是这样的,特征一的数据输入到模型一中,特征二的数据输入到模型二中,特征三和特征四的数据输入到模型三中。总的结构图大致如下:
各个模型如下:
模型一:
first_inp=Input(shape=(100, 60, 1), name='md_1')
base_model = VGG16(include_top=False, weights=None)(first_inp)
x = base_model.output
x = GlobalAveragePooling2D()(x)
x = Dense(1024, activation='relu')(x)
x = Dense(3, activation='softmax')(x)
模型二:
second_inp=Input(shape=(6000, 1), name