是否可以根据Keras中的输入实现层间切换？_Keras

是否可以根据Keras中的输入实现层间切换？

keras

是否可以根据Keras中的输入实现层间切换？,keras,Keras,在Keras中实现这样结构的神经网络是可能的吗其思路如下：在输入中，模型接收一个整数i（标记为红色）和一些其他东西v（图中为0.12345）。接下来，有几个类似的平行层。根据i的值，v进入i第th层，忽略其他层，然后该层的输出进入输出层换句话说，除了i之外的所有层都被忽略。如果我正确理解了您的问题，我认为这里最简单的解决方案是根据i的值分离数据集因此，把你的X_列分为X_列，X_列，等等。同样地，用你的X_测试，把它分为X_测试，X_测试，等等 from keras.models im

在Keras中实现这样结构的神经网络是可能的吗

其思路如下：

在输入中，模型接收一个整数i（标记为红色）和一些其他东西v（图中为0.12345）。接下来，有几个类似的平行层。根据i的值，v进入i第th层，忽略其他层，然后该层的输出进入输出层

换句话说，除了i之外的所有层都被忽略。

如果我正确理解了您的问题，我认为这里最简单的解决方案是根据

的值分离数据集

因此，把你的

X_列

分为

X_列

，

X_列

，等等。同样地，用你的

X_测试

，把它分为

X_测试

，

X_测试

，等等

from keras.models import Sequential, Model
from keras.layers import *
from keras.utils import plot_model

然后设置单独的模型：

model1 = Sequential()
model1.add(Conv2D(32, kernel_size=(3,3), activation="relu", input_shape=(24,24,3)))
model1.add(MaxPooling2D(pool_size=(2,2)))
model1.add(Flatten())
model1.add(Dropout(0.5))
model1.add(Dense(512, activation = "relu"))

您需要使用函数式API来组合它们。我使用了

Concatenate（）

，文档中显示了其他选项

现在配置最终模型，指定输入和输出：

model = Model(inputs=[model1.inputs, model2.inputs], outputs=outputs)

检查

model.summary（）

，您可以看到每个层是如何连接的：

__________________________________________________________________________________________________
Layer (type)                    Output Shape         Param #     Connected to                     
==================================================================================================
conv2d_input (InputLayer)       [(None, 24, 24, 3)]  0                                            
__________________________________________________________________________________________________
conv2d_1_input (InputLayer)     [(None, 24, 24, 3)]  0                                            
__________________________________________________________________________________________________
conv2d (Conv2D)                 (None, 22, 22, 32)   896         conv2d_input[0][0]               
__________________________________________________________________________________________________
conv2d_1 (Conv2D)               (None, 22, 22, 32)   896         conv2d_1_input[0][0]             
__________________________________________________________________________________________________
max_pooling2d (MaxPooling2D)    (None, 11, 11, 32)   0           conv2d[0][0]                     
__________________________________________________________________________________________________
max_pooling2d_1 (MaxPooling2D)  (None, 11, 11, 32)   0           conv2d_1[0][0]                   
__________________________________________________________________________________________________
flatten (Flatten)               (None, 3872)         0           max_pooling2d[0][0]              
__________________________________________________________________________________________________
flatten_1 (Flatten)             (None, 3872)         0           max_pooling2d_1[0][0]            
__________________________________________________________________________________________________
dropout (Dropout)               (None, 3872)         0           flatten[0][0]                    
__________________________________________________________________________________________________
dropout_1 (Dropout)             (None, 3872)         0           flatten_1[0][0]                  
__________________________________________________________________________________________________
dense (Dense)                   (None, 512)          1982976     dropout[0][0]                    
__________________________________________________________________________________________________
dense_1 (Dense)                 (None, 512)          1982976     dropout_1[0][0]                  
__________________________________________________________________________________________________
concatenate (Concatenate)       (None, 1024)         0           dense[0][0]                      
                                                                 dense_1[0][0]                    
__________________________________________________________________________________________________
dense_2 (Dense)                 (None, 256)          262400      concatenate[0][0]                
__________________________________________________________________________________________________
dropout_2 (Dropout)             (None, 256)          0           dense_2[0][0]                    
__________________________________________________________________________________________________
dense_3 (Dense)                 (None, 5)            1285        dropout_2[0][0]                  
==================================================================================================
Total params: 4,231,429
Trainable params: 4,231,429
Non-trainable params: 0
__________________________________________________________________________________________________

但是使用

plot\u model（model，to\u file='image.png'，show\u shapes=True）更容易可视化模型

：

然后，为了训练模型，您需要输入不同的输入，不要忘记您的测试（或验证）数据：

注意：子模型（此处为

model1

，

model2

等）不必具有相同的结构。它们可以有不同大小的层、不同数量的层和不同类型的层。这也是如何在模型中包含具有不同类型功能的数据集。