码迷,mamicode.com
首页 > 其他好文 > 详细

在keras下实现多个模型的融合

时间:2020-05-28 16:48:27      阅读:195      评论:0      收藏:0      [点我收藏+]

标签:output   dict   summary   简单   loss   协议   layer   cross   optimizer   

在keras下实现多个模型的融合

小风风12580 2019-09-30 10:42:00 1105 收藏 7
展开
在网上搜过发现关于keras下的模型融合框架其实很简单,奈何网上说了一大堆,这个东西官方文档上就有,自己写了个demo:

# Function:基于keras框架下实现,多个独立任务分类
# Writer: PQF
# Time: 2019/9/29

import numpy as np
from keras.layers import Input, Dense
from keras.models import Model
import tensorflow as tf

# 生成训练集
dataset_size = 128*3
rdm = np.random.RandomState(1)
X = rdm.rand(dataset_size,2)
Y1 = [[int(x1+x2<1)] for (x1,x2) in X]
Y2 = [[int(x1+x2*x2<0.5)] for (x1,x2) in X]

X_train = X[:-2]
Y_train1 = Y1[:-2]
Y_train2 = Y2[:-2]

X_test = X[-2:dataset_size]
Y_test1 = Y1[-2:dataset_size]
Y_test2 = Y2[-2:dataset_size]

#网络一
input = Input(shape=(2,))
x = Dense(units=16,activation=‘relu‘)(input)
output = Dense(units=1,activation=‘sigmoid‘,name=‘output1‘)(x)

#网络二
input2 = Input(shape=(2,))
x2 = Dense(units=16,activation=‘relu‘)(input2)
output2 = Dense(units=1,activation=‘sigmoid‘,name=‘output2‘)(x2)

#模型合并
model = Model(inputs=[input,input2],outputs=[output,output2])
model.summary()

model.compile(optimizer=‘rmsprop‘,loss=‘binary_crossentropy‘,loss_weights=[1.0,1.0])
model.fit([X_train,X_train],[Y_train1,Y_train2],batch_size=48,epochs=200)


print(‘x_test is :\n‘)
print(X_test)
print(‘y_test1 is :\n‘)
print(Y_test1)
print(‘y_test2 is :\n‘)
print(Y_test2)

predict = model.predict([X_test,X_test])
print(‘prediction is : \n‘)
print(predict[0])
print(predict[1])

————————————————
版权声明:本文为CSDN博主「小风风12580」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/weixin_43392276/java/article/details/101757173

在keras下实现多个模型的融合

标签:output   dict   summary   简单   loss   协议   layer   cross   optimizer   

原文地址:https://www.cnblogs.com/think90/p/12981421.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!