Deep learning Keras输入阵列（x）不能有不同数量的样本？

我发现在当前的keras中，所有的输入数组（x）都应该有相同数量的样本

对于许多多输入和多输出模型，如果我们可以为每个输入定义不同数量的样本（也称为批大小），则更可取

这对于一个输入X1比另一个输入X2“便宜”得多的情况来说非常重要

假设现在我有两个输入X1，X2和两个输出Y1，Y2。 Y1是X1的函数，Y2是X1，X2的函数。 X1->Y1映射比X1，X2->Y2映射训练更快（“更便宜”）。 因此，我可能需要X1的大批量和X2的小批量

或者是否有可能对当前代码进行黑客攻击，从而使不同批量的输入成为可能

---

期待任何人能给我一些建议。谢谢

你可以为你的样品做不同的重量。通过设置样本权重变量（），您的训练算法将考虑更便宜的样本

---

如果您想在不同的批次大小上进行培训，则需要使用model.train\u on\u batch并在不同的批次大小上进行传递。这本质上意味着你要编写自己的fit循环。

train\u on\u batch

应该可以工作。桶训练数据按批次和不同桶训练。嗨，Thomas和putonspectacles，谢谢你的回复。但我的问题是我需要不同批量的输入[X1，X2]。例如，X1的批量大小为64，X2的批量大小为256，即X1和X2的输入张量的第一个维度分别为64和256。我在批处理上尝试了fit_generator和train_，当我输入X=[X1，X2]时，它会抛出错误：“ValueError:所有输入数组（X）都应该有相同数量的样本。获得数组形状：[（64200111），（64200），（64200），（64200），（256，1），”我不确定样本权重在这里有什么帮助？我也有同样的问题。我尝试用虚拟数据填充较小的输入，然后在网络中对其进行切片以丢弃它，但是Keras也不允许这样做，因为您不能使用中间数据作为输入。你能解决这个问题吗，杰莫尔？我也有同样的问题。到目前为止有什么解决方案吗？在tensorflow中，我会将网络应用于两个输入张量，然后通过reduce_mean将输出减少到一个值，然后将它们相加并共同学习。我不确定这在纯keras中是否可行，但您可以在keras中使用tensorflow代码。您找到问题的解决方案了吗？