【发布时间】：2019-07-27 09:19:27
【问题描述】：
我有 2 个不同的输入，其中第二个是第一个的输出（在图像中可见 - 请注意我没有包括网络之间的所有线路）。
我正在尝试构建一个网络，在第一个输入和第二个输入之间有一个或多个密集层（完全连接的层），然后在第二个输入和输出之间再次有一个或多个密集层。
这可能吗？
我正在尝试构建的网络：
我已经开始这样定义我的网络：
model = Sequential()
model.add(Dense(num_neurons, input_dim=input, activation='relu'))
model.add(Dense(output, activation='softmax'))
model = Sequential()
model.add(Dense(num_neurons, input_dim=input, activation='relu'))
model.add(Dense(output, activation='softmax'))
由于输入是一个向量，我不知道是否可以使用 RNN/LSTM。
我应该采用不同的网络设计吗？
【问题讨论】：
-
我不确定你从哪里得到这个神经网络设计，但只有输入层的第一个神经元被传播到输出（所以它只考虑第一个特征）
-
非常感谢您的评论！我想知道我正在尝试设计的东西是否可能以某种方式（不一定是我设计的方式）
-
是的，但是您必须自己创建权重矩阵，因为它们不是标准的全连接层，并且必须手动将它们与输入相乘。
-
我倾向于那个解决方案，但我想知道 Keras 是否有类似的东西。假设我创建了 4 个不同的权重矩阵（第一个输入到第一个 FC，第二个从 FC 到第二个输入，第三个从第二个输入到第二个 FC，第四个从 FC 到输出），你将如何进行反向传播/训练型号？
-
使用
tf.eager，创建自定义层，也许在 Keras 或 PyTorch 中创建自定义层，这些选项中的每一个都应该没问题，不过我个人的喜好会选择最后一个。
标签： machine-learning keras neural-network data-science