阅读量:0
在Keras中处理多输入和多输出的模型可以通过使用Model类来实现。下面是一个简单的例子：
from keras.layers import Input, Dense from keras.models import Model # 定义两个输入 input1 = Input(shape=(10,)) input2 = Input(shape=(5,)) # 宽度为10的全连接层 x1 = Dense(10, activation='relu')(input1) # 宽度为5的全连接层 x2 = Dense(5, activation='relu')(input2) # 合并两个输入 x = keras.layers.concatenate([x1, x2]) # 输出层 output1 = Dense(1, activation='sigmoid')(x) output2 = Dense(1, activation='relu')(x) # 定义模型 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, batch_size=32) 在上面的例子中，我们首先定义了两个输入input1和input2，然后分别通过全连接层进行处理，将它们合并后再通过输出层得到两个输出output1和output2。最后我们使用Model类将输入和输出组合成一个模型，并编译、训练模型。
