Python 如何使用Keras构建具有多个输入和单个输出的模型

我试图使用Keras的函数api来构建一个具有多个输入和单个输出的模型。 目标是组合每个输入的每一行以预测相应的输出（1或0）。
例如，

串联（输入1[0]和输入2[0]）

和预测输出

输出[0]

我的数据结构如下所示：

inputs_1 = [[[-18.73, 8.98, 0.29, 0.23],[58.50, 28.31, 45.89, -1.62], [48.70, 21.31, 25.89, 1.62]], 
           [[-18.73, 8.98, 0.29, 0.65],[58.50, 28.31, 45.89, -1.62], [48.70, 21.31, 25.89, 1.62]],
           [[-18.73, 8.98, 0.29, 9,3],[58.50, 28.31, 45.89, -1.62], [48.70, 21.31, 25.89, 1.62]],
            ...
            [[-18.73, 8.98, 0.29, 8.93],[58.50, 28.31, 45.89, -1.62], [48.70, 21.31, 25.89, 1.62]]]
            

inputs_2 = [[[0.29, 0.23], [28.31, -1.62]], 
           [[8.98, 0.65], [21.31, 1.62]],
           [[18.50, -1.62], [25.89, 1.62]],
            ...
            [[-48.73, 8.98], [48.70, 1.62]]]

outputs = [1,
           1, 
           0, 
           ...
           0]

我在构建模型时遇到了一些困难，第一个问题是当我想重塑数据时

from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()

# scale our data set so that every observation is between 0 and 1
training_data = scaler.fit_transform(inputs_1.reshape(-1, 1))

但是

列表

对象没有属性

重塑

我读过这篇文章，但对我帮助不大。 然而，我现在知道，我将通过连接将所有可用的特性合并到一个大的向量中。如何使用这些嵌套数组执行此操作？
另一个困难是将数据分为训练、验证和测试。我发现它是基于一个单一的输入数据。有没有办法吐出多个数据输入

在这种情况下，如何定义层来构建模型？
如何使用api构建模型？
欢迎提供任何提示或模型框架。

---

提前谢谢你。

你问的问题很多，通常都不符合你的要求。最好分别处理每个问题（先搜索，如果找不到，再问）

不过，为了帮助您开始，我将尝试按照您要求的顺序回答这些问题。首先，您的代码很少有问题-

在使用

重塑

之前，必须先将

输入_1

和

输入_2

转换为numpy数组。使用

inputs\u 1=np.array（inputs\u 1）

并将其用于input\u 2

接下来，您要应用最小-最大缩放器，但要使用

重塑（-1,1）

。这是没有意义的，因为每个功能的最小-最大缩放是相互独立的。我已经展示了如何重塑适当的最小-最大缩放

您还询问了列车测试拆分。您可以简单地使用sklearn的

train\u test\u split

，就像您通常对更多输入使用它一样

最后，您询问了多输入Keras函数API。这确实做得很好（事实上，这也是keras作者的哲学，使深度学习易于学习和实施）。我在下面添加了一个示例-

使用最小-最大缩放器缩放 多个输入/输出的列车试验分割 具有2个输入和1个输出的Keras功能API

多输入模型的训练

---

很乐意帮忙。这就解决了你的问题，一定要做正确的标记，因为它鼓励我在将来再次帮助你。

#Dummy data (USE YOUR OWN DATA HERE AS NUMPY ARRAYS
import numpy as np
X1 = np.random.random((1000, 3, 4))
X2 = np.random.random((1000, 2, 2))
y = np.random.randint(0, 2, (1000,))

#Scaling individual features by respective min max for 3D tensors
from sklearn.preprocessing import MinMaxScaler

#Have separate scaler objects for each input data
scaler1 = MinMaxScaler()
scaler2 = MinMaxScaler()

#Ensure that in reshape to 2D matrix, you keep the number of features separate
#as min-max scaler works on each feature's respective min-max values
#Then, reshape it back to the 3D dataset

X1_scaled = scaler1.fit_transform(X1.reshape(-1,X1.shape[-1])).reshape(X1.shape)
X2_scaled = scaler1.fit_transform(X2.reshape(-1,X2.shape[-1])).reshape(X2.shape)

print(X1_scaled.shape, X2_scaled.shape)

(1000, 3, 4) (1000, 2, 2)

from sklearn.model_selection import train_test_split

X1_train, X1_test, X2_train, X2_test, y_train, y_test = train_test_split(X1_scaled, X2_scaled, y, test_size=0.2)

[i.shape for i in (X1_train, X1_test, X2_train, X2_test, y_train, y_test)]

[(800, 3, 4), (200, 3, 4), (800, 2, 2), (200, 2, 2), (800,), (200,)]

from tensorflow.keras import layers, Model, utils

inp1 = layers.Input((3,4))
inp2 = layers.Input((2,2))
x1 = layers.Flatten()(inp1)
x2 = layers.Flatten()(inp2)
x = layers.concatenate([x1, x2])
x = layers.Dense(32)(x)
out = layers.Dense(1, activation='sigmoid')(x)

model = Model([inp1, inp2], out)

utils.plot_model(model, show_layer_names=False, show_shapes=True)

model.compile(loss='binary_crossentropy', optimizer='adam')
model.fit([X1_train, X2_train], y_train, epochs=4)

Epoch 1/4
25/25 [==============================] - 0s 674us/step - loss: 0.7310
Epoch 2/4
25/25 [==============================] - 0s 753us/step - loss: 0.7198
Epoch 3/4
25/25 [==============================] - 0s 842us/step - loss: 0.7147
Epoch 4/4
25/25 [==============================] - 0s 2ms/step - loss: 0.7079