Python 多类多标签简单模型

我已经工作了几个星期来完成一个项目。这个项目看起来很简单，但是有很多活动的部分。所以 -创建一个具有4个输入图像的简单CNN模型。这些图像是树的图像。图像是一棵树的树干、树枝、叶子和树根。 -有8种不同的树。 -目标向模型提供四幅图像，并让模型检测它是哪棵树。 -我必须从谷歌图片中创建原始数据（搜索） 当我为一个学校项目解决这个问题时，我正在努力研究如何预处理热标签和多班级的图像。然后确保我的模型架构是准确的

#导入必要的软件包
从keras.models导入顺序
从keras.layers.normalization导入批处理normalization
从keras.layers.voluminal导入Conv2D
从keras.layers.convolutional导入MaxPoolig2D
从keras.layers.core导入激活
从keras.layers.core导入退出
从keras.layers.core导入
从keras.layers导入展平
从keras.layers导入输入
从keras.models导入模型
从keras.layers导入稠密、LSTM、连接、输入、展平
#定义四个输入（树的不同照片）
输入=输入（形状=（308301））#主干
inputB=输入（形状=（308301））#分支
inputt=输入（形状=（308301））#叶
inputD=输入（形状=（308，308，1））#根
#第一个分支对第一个输入进行操作
a=Conv2D（16，（2，2），activation='relu'）（输入）
a=Conv2D（16，（2，2），activation='relu'）（a）
a=模型（输入=输入，输出=a）
#第二个分支在第二个输入上运行
b=Conv2D（16，（2，2），activation='relu'）（inputB）
b=Conv2D（16，（2，2），activation='relu'）（b）
b=模型（输入=输入b，输出=b）
#第三个分支在第三个输入上运行
c=Conv2D（16，（2，2），activation='relu'）（inputC）
c=Conv2D（16，（2，2），activation='relu'）（c）
c=模型（输入=输入UTC，输出=c）
#第四个分支在第四个输入上运行
d=Conv2D（16，（2，2），activation='relu'）（inputD）
d=Conv2D（16，（2，2），激活class='relu'）（d）
d=模型（输入=输入，输出=d）
#合并四个分支的输出
组合=串联（[a.输出，b.输出，c.输出，d.输出]）
#应用FC层，然后在上应用回归预测
#综合产出
z=密集（128，activation=“relu”）（组合）
z=密集（4，激活=“softmax”）（z）
#我们的模型将接受四个分支的输入，然后输出一个值
模型=模型（输入=[a.输入，b.输入，c.输入，d.输入]，输出=z）
model.summary（）
compile（loss='classifical\u crossentropy'，optimizer='adam'，metrics=['accurity']）

我注意到的是，你没有对图像进行标准化。我注意到的是，你没有对图像进行标准化。使用平均标准归一化或最小-最大归一化