多输入多输出模型返回单值答案

【问题标题】：Multiple-input multiple-output model returns single value多输入多输出模型返回单值
【发布时间】：2019-08-19 00:32:16
【问题描述】：

我正在尝试使用 Keras 中的多输入模型同时使用时间序列（即过去 n 个月的收入）和时间不变的客户数据（即性别、职业）来预测客户收入。为此，我使用 LSTM 模型预测时间 (n+1) 的收入，然后引入客户数据作为辅助输入。

第一个模型 (LSTM) 产生了不错的结果，但添加辅助层似乎产生了一个悖论，因为每个客户的预测都是相同的值。有什么建议为什么会发生这种情况？

已经尝试了多个批量大小并转换了一些数值变量，但问题仍然存在。

from keras.layers import Input, LSTM, Dense, concatenate
from keras.models import Model


'''
train_X1: time series data, customer revenues, 1 to (n-1)
train_X2: customer demographics
'''


train_X1 = np.asarray(X1.drop('id', axis = 1))
train_X1 = train_X1.reshape(train_X1.shape[0], train_X1.shape[1], 1)
print(train_X1.shape)

train_X2 = np.asarray(X2.drop('id', axis = 1))
print(train_X2.shape)


main_input = Input(shape = (20,1), name = "main_input")
hidden = Dense(10, activation = 'tanh')(main_input)
hidden = LSTM(10)(hidden)
aux_output = Dense(1, name = 'aux_output')(hidden)

train_X2 = np.asarray(X2.drop('id', axis = 1))
train_X2 = train_X2.reshape(train_X2.shape[0], train_X2.shape[1])
print(train_X2.shape)

aux_input = Input(shape = (2, ), name = "aux_input")
hidden = concatenate([aux_output, aux_input])
hidden = Dense(2, activation = 'relu')(hidden)
main_output = Dense(1, name = "main_output")(hidden)

model = Model(inputs = [main_input, aux_input], outputs = [main_output, aux_output])

model.compile(optimizer ='adam',
              loss = {'main_output': 'mean_squared_error', 'aux_output': 'mean_squared_error'},
              loss_weights = {'main_output': 1, 'aux_output': 0.2})
model.fit({'main_input': train_X1, 'aux_input': train_X2},
                {'main_output': y, 'aux_output': y},
                epochs = 50, batch_size = 5)

预期会有不同的预测，但此代码仅导致单值预测。（见图）

注意：我目前只在一个非常小的数据集中模拟这项工作，然后才能将其扩展到更大的集合。这可能是数据问题吗？

【问题讨论】：

标签： python-3.x keras deep-learning lstm keras-layer

【解决方案1】：

当你这样做时

preds = model.predict([train_X1, train_X2])

你会得到一个包含两个 numpy 数组的列表。

如果train_X1 的形状是(100, 20, 1) 并且train_X2 的形状是(100, 2) 你的preds 将是两个numpy 数组的列表，其中每个数组的形状都是(100, 1)。

您可以像这样访问测试样本i 的预测

preds[0][i], preds[1][i]

您可以遍历数组以获取每个样本的输出，以便像这样进行视觉验证

preds = model.predict([train_X1, train_X2])
for i in range(len(preds[1])):
    print(f'Main prediction for sample {i} = {preds[0][i]} --- Aux Prediction for sample {i} = {preds[1][i]}')


# Output

Main prediction for sample 0 = [-5.820766e-09] --- Aux Prediction for sample 0 = [-9.313226e-09]
Main prediction for sample 1 = [-5.820766e-09] --- Aux Prediction for sample 1 = [-9.313226e-09]
Main prediction for sample 2 = [-5.820766e-09] --- Aux Prediction for sample 2 = [-9.313226e-09]
Main prediction for sample 3 = [-5.820766e-09] --- Aux Prediction for sample 3 = [-9.313226e-09]
Main prediction for sample 4 = [-5.820766e-09] --- Aux Prediction for sample 4 = [-9.313226e-09]
..................................................................................................

【讨论】：