在網上搜過發現關於keras下的模型融合框架其實很簡單,奈何網上說了一大堆,這個東西官方文檔上就有,自己寫了個demo:
# Function:基於keras框架下實現,多個獨立任務分類 # Writer: PQF # Time: 2019/9/29 import numpy as np from keras.layers import Input, Dense from keras.models import Model import tensorflow as tf # 生成訓練集 dataset_size = 128*3 rdm = np.random.RandomState(1) X = rdm.rand(dataset_size,2) Y1 = [[int(x1+x2<1)] for (x1,x2) in X] Y2 = [[int(x1+x2*x2<0.5)] for (x1,x2) in X] X_train = X[:-2] Y_train1 = Y1[:-2] Y_train2 = Y2[:-2] X_test = X[-2:dataset_size] Y_test1 = Y1[-2:dataset_size] Y_test2 = Y2[-2:dataset_size] #網絡一 input = Input(shape=(2,)) x = Dense(units=16,activation='relu')(input) output = Dense(units=1,activation='sigmoid',name='output1')(x) #網絡二 input2 = Input(shape=(2,)) x2 = Dense(units=16,activation='relu')(input2) output2 = Dense(units=1,activation='sigmoid',name='output2')(x2) #模型合併 model = Model(inputs=[input,input2],outputs=[output,output2]) model.summary() model.compile(optimizer='rmsprop',loss='binary_crossentropy',loss_weights=[1.0,1.0]) model.fit([X_train,X_train],[Y_train1,Y_train2],batch_size=48,epochs=200) print('x_test is : ') print(X_test) print('y_test1 is : ') print(Y_test1) print('y_test2 is : ') print(Y_test2) predict = model.predict([X_test,X_test]) print('prediction is : ') print(predict[0]) print(predict[1])
補充知識:keras的融合層使用理解
最近開始研究U-net網絡,其中接觸到了融合層的概念,做個筆記。
上圖為U-net網絡,其中上採樣層(綠色箭頭)需要與下采樣層池化層(紅色箭頭)層進行融合,要求每層的圖片大小一致,維度依照融合的方式可以不同,融合之後輸出的圖片相較於沒有融合層的網絡,邊緣處要清晰很多!
這時候就要用到keras的融合層概念(Keras中文文檔https://keras.io/zh/)
文檔中分別講述了加減乘除的四中融合方式,這種方式要求兩層之間shape必須一致。
重點講述一下Concatenate(拼接)方式
拼接方式默認依照最後一維也就是通道來進行拼接
如同上圖(128*128*64)與(128*128*128)進行Concatenate之後的shape為128*128*192
ps:
中文文檔為老版本,最新版本的keras.layers.merge方法進行了整合
上圖為新版本整合之後的方法,具體使用方法一看就懂,不再贅述。
[zmcjlove ] 在keras下實現多個模型的融合方式已經有283次圍觀