在keras下實(shí)現(xiàn)多個(gè)模型的融合方式
在網(wǎng)上搜過(guò)發(fā)現(xiàn)關(guān)于keras下的模型融合框架其實(shí)很簡(jiǎn)單，奈何網(wǎng)上說(shuō)了一大堆，這個(gè)東西官方文檔上就有，自己寫了個(gè)demo：
# Function：基于keras框架下實(shí)現(xiàn)，多個(gè)獨(dú)立任務(wù)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(xùn)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(wǎng)絡(luò)一
input = Input(shape=(2,))
x = Dense(units=16,activation='relu')(input)
output = Dense(units=1,activation='sigmoid',name='output1')(x)
#網(wǎng)絡(luò)二
input2 = Input(shape=(2,))
x2 = Dense(units=16,activation='relu')(input2)
output2 = Dense(units=1,activation='sigmoid',name='output2')(x2)
#模型合并
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 :\n')
print(X_test)
print('y_test1 is :\n')
print(Y_test1)
print('y_test2 is :\n')
print(Y_test2)
predict = model.predict([X_test,X_test])
print('prediction is : \n')
print(predict[0])
print(predict[1])
補(bǔ)充知識(shí)：keras的融合層使用理解
最近開(kāi)始研究U-net網(wǎng)絡(luò)，其中接觸到了融合層的概念，做個(gè)筆記。
上圖為U-net網(wǎng)絡(luò)，其中上采樣層（綠色箭頭）需要與下采樣層池化層（紅色箭頭）層進(jìn)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，融合之后輸出的圖片相較于沒(méi)有融合層的網(wǎng)絡(luò)，邊緣處要清晰很多！
這時(shí)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(diǎn)講述一下Concatenate（拼接）方式
拼接方式默認(rèn)依照最后一維也就是通道來(lái)進(jìn)行拼接
如同上圖（128*128*64）與（128*128*128）進(jìn)行Concatenate之后的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(jìn)行了整合
上圖為新版本整合之后的方法，具體使用方法一看就懂，不再贅述。
以上這篇在keras下實(shí)現(xiàn)多個(gè)模型的融合方式就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。
相關(guān)文章
requests是一個(gè)很實(shí)用的Python HTTP客戶端庫(kù),爬蟲(chóng)和測(cè)試服務(wù)器響應(yīng)數(shù)據(jù)時(shí)經(jīng)常會(huì)用到,下面這篇文章主要給大家介紹了關(guān)于python中requests庫(kù)安裝與使用的相關(guān)資料,需要的朋友可以參考下2022-07-07
解決pycharm運(yùn)行出錯(cuò),代碼正確結(jié)果不顯示的問(wèn)題
今天小編就為大家分享一篇解決pycharm運(yùn)行出錯(cuò),代碼正確結(jié)果不顯示的問(wèn)題，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2018-11-11
Django 實(shí)現(xiàn)admin后臺(tái)顯示圖片縮略圖的例子
今天小編就為大家分享一篇Django 實(shí)現(xiàn)admin后臺(tái)顯示圖片縮略圖的例子，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2019-07-07
這篇文章主要為大家介紹了python根據(jù)照片獲取地理位置及泄露防御，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪2022-05-05
用python登錄帶弱圖片驗(yàn)證碼的網(wǎng)站
這篇文章主要介紹了用python登錄帶弱圖片驗(yàn)證碼的網(wǎng)站方法，幫助大家更好的理解和學(xué)習(xí)使用python，感興趣的朋友可以了解下2021-03-03![[機(jī)器視覺(jué)]使用python自動(dòng)識(shí)別驗(yàn)證碼詳解](http://img.jbzj.com/images/xgimg/bcimg5.png)
[機(jī)器視覺(jué)]使用python自動(dòng)識(shí)別驗(yàn)證碼詳解
這篇文章主要介紹了python自動(dòng)識(shí)別驗(yàn)證碼，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2019-05-05
python基礎(chǔ)教程之基本數(shù)據(jù)類型和變量聲明介紹
這篇文章主要介紹了python基礎(chǔ)教程之基本數(shù)據(jù)類型和變量聲明介紹,首先講解了變量聲明的一些知識(shí),然后列出最常用的基本數(shù)據(jù)類型,需要的朋友可以參考下2014-08-08
Python3批量移動(dòng)指定文件到指定文件夾方法示例
這篇文章主要給大家介紹了關(guān)于Python3批量移動(dòng)指定文件到指定文件夾的相關(guān)資料，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家學(xué)習(xí)或者使用Python3具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2019-09-09
???????Python?入門學(xué)習(xí)之函數(shù)式編程
這篇文章主要介紹了???????Python?入門學(xué)習(xí)之函數(shù)式編程，?Python?中的函數(shù)式編程技術(shù)進(jìn)行了簡(jiǎn)單的入門介紹，下文詳細(xì)內(nèi)容需要的小伙伴可以參考一下2022-05-05
本文主要介紹了Pycharm2022最新版無(wú)法換源解決方法，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2023-02-02