Tensorflow 多输入单输出张量流模型

我是新手。尝试开发具有多个输入和单个输出的简单模型。如果有人能帮我，我将不胜感激。我发现下面的代码可能可以工作，但它不能。另外，在这种情况下，如何传递predict参数

trainx1 = np.array([-1, 0, 1, 2, 3, 4], dtype=float)
trainx2 = np.array([-1, 0, 1, 2, 3, 4], dtype=float)
labely1 = np.array([-2, 0, 2, 4, 6, 8], dtype=float)

x1 = Input(shape =(1,))
x2 = Input(shape =(1,))
input_layer = concatenate([x1,x2])
hidden_layer = Dense(units=4, activation='relu')(input_layer)
prediction = Dense(1, activation='linear')(hidden_layer)

model = Model(inputs=[x1, x2], outputs=prediction)
model.compile(loss="mean_squared_error", 
              optimizer="adam", metrics=['accuracy'])

model.fit([trainx1, trainx2], labely1, 
          epochs=100, batch_size=1, verbose=2, shuffle=False)
model.summary()

---

首先，

精度

度量对于回归任务意义不大，而更适合于分类问题。相反，对于回归，可以使用or分数。仅供参考，从以下链接可以找到or的实施

---

让我们建立一个模型，对两个整数输入进行简单求和。为此，我们首先创建一个虚拟数据集

import numpy as np 
import tensorflow as tf 

inp1 = np.array([i-1 for i in range(3000)], dtype=float)
inp2 = np.array([i-1 for i in range(3000)], dtype=float)
tar = np.array([(input[0] + input [1]) \
                for input in zip(inp1, inp2)], dtype=float)

inp1.shape, tar.shape 
((3000,), (3000,))

inp1[:5], tar[:5]
(array([-1.,  0.,  1.,  2.,  3.]), array([-2.,  0.,  2.,  4.,  6.]))

型号

import tensorflow as tf 
from tensorflow.keras import Input  
from tensorflow.keras import Model 
from tensorflow.keras.layers import *

x1 = Input(shape =(1,))
x2 = Input(shape =(1,))

input_layer = concatenate([x1,x2])
hidden_layer = Dense(units=4, activation='relu')(input_layer)

prediction = Dense(1, activation='linear')(hidden_layer)
model = Model(inputs=[x1, x2], outputs=prediction)

编译并运行

model.compile(loss="mean_squared_error", 
              optimizer='adam', 
              metrics=['mae'])
model.fit([inp1, inp2], tar, epochs=300, 
          batch_size=32, verbose=2)

推理

模型需要两个输入，其形状为

（无，1）

和

（无，1）

。因此，我们对每个输入扩展一个批处理维度（

expand_dims

），如下所示

model([np.expand_dims(np.array(4), 0), 
       np.expand_dims(np.array(4), 0)]).numpy()
array([[7.998661]], dtype=float32)

model([np.expand_dims(np.array(10), 0), 
       np.expand_dims(np.array(10), 0)]).numpy()
array([[19.998667]], dtype=float32)

model([np.expand_dims(np.array(50), 0), 
       np.expand_dims(np.array(40), 0)]).numpy()
array([[88.77226]], dtype=float32)

---

您在使用此代码时遇到的错误是什么？谢谢您！事实上，我在模型中看到了零精度。两个输入和输出之间的关系就是两个输入的和。所以模型应该能够达到100%的准确度。当我使用model.predict（[5,5]）时也是如此。它抛出错误“ValueError:层模型需要2个输入，但它收到1个输入张量。收到的输入：[]”非常感谢您的时间。实际上，我在这一行得到了错误（数组（[-1,0,1,2,3.]），数组（[-2,0,2,4,6.]）。错误是TypeError:array（）参数1必须是unicode字符，而不是列表。实际上，我删除了那行代码并执行了您的代码。它仍然运行良好，但模型无法正确预测。对于这个打印（模型（[np.expand_-dims（np.array（18），0），np.expand_-dims（np.array（6），0）]）.numpy（）），我得到了[[33.084637]]。这在这一点上是正常的，它只是指过拟合的东西。为了使建模策略更加强大，我们可能需要使用验证数据集或使用各种技术来防止这种情况。这实际上超出了你当前问题的范围。仅供参考，如果您不知道模型过盈、过盈等情况，请对其进行搜索。非常感谢您抽出时间来参观。我从你那里学到了很多。在你的帮助下，我能够做我想做的事。再次非常感谢你！！！很乐意帮忙。：）

model([np.expand_dims(np.array(4), 0), 
       np.expand_dims(np.array(4), 0)]).numpy()
array([[7.998661]], dtype=float32)

model([np.expand_dims(np.array(10), 0), 
       np.expand_dims(np.array(10), 0)]).numpy()
array([[19.998667]], dtype=float32)

model([np.expand_dims(np.array(50), 0), 
       np.expand_dims(np.array(40), 0)]).numpy()
array([[88.77226]], dtype=float32)