在带有 Tensorflow 后端的 Keras 上，在不同的输入部分上并行拟合 LSTM 和一些密集层答案

【问题标题】：on Keras with Tensorflow backend, fitting a LSTM and some dense layers in parallel on different fractions of input在带有 Tensorflow 后端的 Keras 上，在不同的输入部分上并行拟合 LSTM 和一些密集层
【发布时间】：2018-10-09 01:16:40
【问题描述】：

我正在做一个回归预测，其中我有一些复杂的 3D 序列和一些解释序列的一些关键特征的特征。它们被固定在两个这样形状的矩阵上：

X1.shape, X2.shape
((9000, 300, 3), (9000, 106))

我想将它们提供给模型实例，其中 X1 矩阵由 LSTM 处理，X2 矩阵由几个密集层处理。我的计划是在输出层之前合并它们。

我计划通过以下方式训练：

model.fit(zip(X1, X2), y, batch_size=BATCH, epochs=EPOCHS, validation_split=0.2)

如何构建模型以便接收两个矩阵并分别处理？

目前我只有 LSTM 的标准模型：

def model(sample_size=300, axis=3):
    inp=Input(shape=(sample_size, axis))
    x=LSTM(50, return_sequences=True)(inp)
    x=GlobalMaxPool1D(x)
    x=Dense(1)(x)
    model=Model(inputs=inp, ouputs=x)
    model.compile(loss='mean_squared_error', optimizer='adam',
                  metrics= ['mae'])
   return model

【问题讨论】：

标签： python tensorflow merge keras lstm

【解决方案1】：

我认为这应该可行

# First input
input1=Input(shape=(300,3))
x=LSTM(50, return_sequences=True)(input1)
x=GlobalMaxPool1D(x)
x=Dense(n)(x)

# Second Input
input2=Input(shape=(106))
y=Dense(n)(input2)

# Merge
merged=Concatenate([x,y])
merged=Dense(1)(merged)

# Define model with two inputs
model=Model(inputs=[input1,input2],outputs=merged)

两个模型在合并之前应该有相同的输出空间。然后，你可以传递一个输入列表，Keras 会在适当的地方传递它

model.fit([X1,X2],....)

【讨论】：