阅读量:1
在Keras中处理多输入和多输出模型可以通过Functional API来实现。下面是一个简单的例子：
from keras.layers import Input, Dense from keras.models import Model # 定义输入层 input1 = Input(shape=(10,)) input2 = Input(shape=(5,)) # 定义共享的隐藏层 shared_layer = Dense(10, activation='relu') # 连接输入层和隐藏层 output1 = shared_layer(input1) output2 = shared_layer(input2) # 定义输出层 output1 = Dense(1, activation='sigmoid')(output1) output2 = Dense(1, activation='sigmoid')(output2) # 创建模型 model = Model(inputs=[input1, input2], outputs=[output1, output2]) # 编译模型 model.compile(optimizer='adam', loss='binary_crossentropy') # 训练模型 model.fit([input_data1, input_data2], [output_data1, output_data2], epochs=10) 在这个例子中，我们定义了两个输入层input1和input2，一个共享的隐藏层shared_layer，以及两个输出层output1和output2。最后我们使用Model类将输入层和输出层连接起来，再编译模型并训练。
在训练模型时，我们需要将输入数据和输出数据分别传入fit方法中。input_data1和input_data2是两个输入数据，output_data1和output_data2是两个输出数据。
