Python Tensorflow，向序列模型添加额外信息的最佳方法是什么？

我是机器学习的新手，我想了解如何制作模型

我想做的事

import tensorflow as tf
import numpy as np
from tensorflow import keras
from tensorflow.keras import layers

# this are my X and Y values
X = np.array([ [x, x+1 ] for x in range(80) ])
Y = [ x + 2 for x in range(80) ]

# The data given in this case is random but has a pridictable pattern.
# if i would use a list of [81,82,1,2] 
# to predict once i fit the model it will give 83.

# I have this extra information that could be helpful for the prediction.
extra_info = [ 1, 2 ]

# What is the best way to add this extra information?

# This is the only way i konw how to add it:
X = np.array([ [x, x+1, extra_info[0], extra_info[1] ] for x in range(80) ])

这是正确的做法吗

这不会混淆模型吗

如果

extra\u info

中有1000多个字段，那么这也是正确的吗

model = keras.Sequential([
  layers.Dense( 64, activation='relu', input_shape =[ 4 ] ),
  layers.Dense( 64, activation='relu' ),
  layers.Dense( 1 )
])

model.compile(
    loss='mse',
    optimizer = tf.keras.optimizers.RMSprop( 0.001 ),
    metrics=['mae', 'mse']
)

history = model.fit(
  X, Y, epochs=20, verbose=0,
)

print(model.predict(np.array([80,81,1,2])))

---

这样做时，您将面临的问题是1。数据存储在numpy数组中，而不是存储在张量中，张量是模型所期望的输入。要转换它们，您只需使用tensorflow方法convert_To_tensor（查看以下文档：）。这看起来像这样：

X = tf.convert_to_tensor(X)
Y = tf.convert_to_tensor(Y)

2.这里没有模型可以预测的模式，因为你只是给它输入随机数，所以它似乎没有学到任何东西。3.当预测时，你给出的是整个训练数据集，这可能会让事情有点混乱。2和3其实不是什么问题，只是需要记住的事情。除此之外，你做得很好。

---

希望有帮助

如果您有其他信息要提供给模型，您应该查看。它允许您定义其他输入，然后合并不同的路径。这允许例如为每个功能创建一个输入路径

---

如果您需要坚持使用顺序API，这可能是目前处理它的最佳和唯一方法。

第1点是错误的。您不需要将输入转换为张量（参见）。第2点也不是真的，因为输入中显然有一个模式…是的，但它仍然会给出一个随机输出。