Tensorflow Keras中的半监督培训

我想知道下面的模型在Keras中是否可行，或者是否需要降到tensorflow

想象一下，一个大的未标记数据集和一个（可能小得多）的标记数据集

直觉是为了两个目标同时训练：标记数据的分类准确度和未标记数据的分类置信度

我们的想法是像往常一样，将所有数据（标记和未标记）转发到最终的softmax层

然后，将批分为两组：标记的示例和未标记的示例

对于标记的数据，错误/损失的计算与通常一样，比如交叉熵。 对于未标记的数据，我们选取分类分布的离散函数。一个非常基本的例子是（平均值）1减去最大值（prob）

现在两个“误差”——熵和色散——相加（根据加权超参数），这个值是梯度下降中要最小化的值

换句话说，色散因子作为拟合过程的一种正则化器

---

我猜实现此Keras将涉及一个自定义损失函数，但我不确定是否要拆分批次、将子集与目标匹配等。任何想法都非常受欢迎。

在这里，您可以在Keras中找到一个半监督模型的示例：

他所做的是创建两个共享层的模型。一个模型以标记数据作为输入，另一个模型以未标记数据作为输入

使用批量培训，交替使用标记数据和未标记数据进行培训