Plusieurs sorties dans Keras
J'ai un problème qui traite de la prévision de deux sorties étant donné un vecteur de variables explicatives.
Supposons qu'un prédicteur de vecteur ressemble x1, y1, att1, att2, ..., attn
, qui dit x1, y1
sont coordonnées et att's
sont les autres attributs attachés à la survenance de x1, y1
coordonnées. Sur cette base prédicteur ensemble je veux prédire x2, y2
. C'est une série de temps de problème, je suis en train d'essayer de résoudre à l'aide de plusieurs regresssion.
Ma question est comment puis-je configurer keras, qui peut me donner 2 sorties dans la couche finale. J'ai résolu simple problème de régression dans keras, et le code est mis en mon github.
OriginalL'auteur Neelabh Pant | 2017-05-18
Vous devez vous connecter pour publier un commentaire.
InputShape = (10, )
model_1 = Sequential() model_1.add(Dense(250, activation='tanh', input_shape=(InputShape))) model_1.add(Dense(2, activation='relu')) model_1.compile(optimizer='adam', loss='mse', metrics=['accuracy']) model_1.fit(predictors, targets, epochs=whatever, ....)
. Ma question est comment est-ce différent de la vôtre, où vous spécifiez deux sorties exclusivement.Ajouter des commentaires à ma réponse 🙂 -- Vous ne pouvez pas créer des branches avec un modèle séquentiel, c'est tout simplement pas possible.
Salut Daniel, pourriez-vous développer? Ce que je recherche est d'avoir un réseau qui tente de prédire de deux choses différentes et j'ai donc été en imaginant une branche qui se passe à mon avant-dernière couche qui alimente les deux softmax couches, je puis concaténer les résultats de ces deux couches, puis backpropogate à cet égard. N'est-ce pas possible dans keras?
Si vous connaissez les vraies valeurs pour les deux côtés, vous n'avez pas besoin de les concaténer. Le modèle va tout faire automatiquement. (La seule raison que je peux penser à concaténer les deux branches sont: 1 - votre vrai de données est déjà concaténées; 2 - vous souhaitez ajouter d'autres couches de prendre en entrée).
OriginalL'auteur Daniel Möller