Neural network 如何在具有不同批量大小的多个输入输出数据集的keras中训练模型
我有一个监督学习问题，我正在用Keras函数API解决这个问题 由于该模型预测的是物理系统的状态，我知道监督模型应该遵循附加约束 我想补充这一点，作为一个额外的损失项，它惩罚模型做出不符合这些约束条件的预测。不幸的是，监督学习问题的训练示例数>>限制示例数 基本上，我正在尝试这样做： 最小化监督学习误差和作为辅助损失的约束误差 我不相信在每个数据集上交替训练批次会成功，因为梯度每次只捕获一个问题的错误，而我真的希望物理约束在有监督的学习任务上起到正则化作用。（如果我的解释不正确，请告诉我）Neural network 如何在具有不同批量大小的多个输入输出数据集的keras中训练模型,neural-network,keras,gradient-descent,regularized,Neural Network,Keras,Gradient Descent,Regularized,我有一个监督学习问题，我正在用Keras函数API解决这个问题 由于该模型预测的是物理系统的状态，我知道监督模型应该遵循附加约束 我想补充这一点，作为一个额外的损失项，它惩罚模型做出不符合这些约束条件的预测。不幸的是，监督学习问题的训练示例数>>限制示例数 基本上，我正在尝试这样做： 最小化监督学习误差和作为辅助损失的约束误差 我不相信在每个数据集上交替训练批次会成功，因为梯度每次只捕获一个问题的错误，而我真的希望物理约束在有监督的学习任务上起到正则化作用。（如果我的解释不正确，请告诉我） 我
我知道这可以在纯Tensorflow或Theano中实现，但我不想离开Keras生态系统，因为它让其他一切都变得如此方便。如果有人知道如何使用不同输入的批量大小来训练模型，我将非常感谢您的帮助。我也遇到了类似的问题，您找到答案了吗？