Python 对功能性keras模型的多个输入设置多个类别的格式，并将其提供给模型

我不知道如何正确地将训练数据提供给功能性的keras模型。我有两种输入类型：图像数据和浮点数字，每个数字属于一个图像。该数据分为6类。我需要如何格式化我的输入数据，以及我需要如何在我的keras网络中定义它？ 图像数据由CNN分析，然后应与浮点数连接。然后，使用三个致密层进行分类。似乎没有一个例子或教程与我的问题类似

两个独立的输入：

imageInput = Input(image_shape) #often, image_shape is (pixelsX, pixelsY, channels)    
floatInput = Input(float_shape) #if one number per image, shape is: (1,)

卷积部分：

convOut = SomeConvLayer(...)(imageInput)
convOut = SomeConvLayer(...)(convOut)
#...
convOut = SomeConvLayer(...)(convOut)

如有必要，对其他输入执行类似操作

加入两个分支机构：

#Please make sure you use compatible shapes
#You should probably not have spatial dimensions anymore at this point
#Probably some kind of GloobalPooling:
convOut = GlobalMaxPooling2D()(convOut)

#concatenate the values:
joinedOut = Concatenate()([convOut,floatInput]) 
    #or some floatOut if there were previous layers in the float side

使用连接的输出执行更多操作：

joinedOut = SomeStuff(...)(joinedOut)
joinedOut = Dense(6, ...)(joinedOut)

使用两个输入创建模型：

model = Model([imageInput,floatInput], joinedOut)

培训对象：

model.fit([X_images, X_floats], classes, ...)

其中，

classes

是一个“一个热编码”张量，包含每个图像的正确类

---

然而，并没有“一个正确的解决方案”。你可以尝试很多不同的东西，比如在卷积的中间添加“数字”，或者乘以它，或者在你设法以某种方式连接这些值之后创造更多的卷积。这就是艺术

输入数据 输入和输出数据应为numpy数组

阵列的形状应为：

- Image input: `(number_of_images, side1, side2, channels)`    
- Floats input: `(number_of_images, number_of_floats_per_image)`    
- Outputs: `(number_of_images, number_of_classes)`   

---

Keras将从这些形状中了解所有必要的信息，所有数组中的第0行将是图像0，第1行将是图像1，依此类推。

谢谢。我有很多，但这是我遇到的问题：model.fit（[X_图像，X_浮动]，类，…）。keras如何知道输入数据的位置，以及输入的结构（文件格式、特定文件夹结构？）。不知何故，我需要告诉keras，它需要六个类，以及哪些图像属于哪个类。除此之外，我需要告诉他，什么浮点值属于什么图像，不是吗？换句话说：X_图像和X_浮动需要如何定义？非常感谢！这真的很有帮助。如果你碰巧在德国，我给你拿瓶啤酒；）还有一个问题：如果我理解正确，你不会告诉Keras什么输入图像/浮点属于什么类，对吗？为什么不呢？我已经标记了数据，所以我不应该向他提供有关图像标签的信息吗？或者这是存储在“classes”参数中的？这是存储在

fit

中的

classes

变量中的。这是答案最后一节中提到的

输出我来自巴西：D ---如果你认为这回答了你的问题，请把它标记为：“好的，所以如果我有1200个图像（当然是1200个浮点数），每一个类有200个，那么输入将是（1200，256256，3）和（1200，1）。输出或“类”将是（200,6）--是的，标记为已解决！再次感谢。输出将是
（1200,6）
。每幅图像6个类。