keras：同时训练一个分层分类+回归模型答案

【问题标题】：keras: train a hierarchical categorical + regression model at the same timekeras：同时训练一个分层分类+回归模型
【发布时间】：2019-08-13 17:39:52
【问题描述】：

我有以下型号：

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

# Joint input layer for both model A and B
inputs = Input(shape=(12,))

# ---------------------------------------
# model_A
x = Dense(64, activation='relu')(inputs)
x = Dense(64, activation='relu')(x)
predictions_A = Dense(3, activation='softmax')(x)
model_A = Model(inputs=inputs, outputs=predictions_A)

# ---------------------------------------
# model_B
inputs_B = keras.layers.concatenate([inputs, predictions_A])
x1 = Dense(64, activation='relu')(inputs_B)
x1 = Dense(64, activation='relu')(x1)
predictions_B = Dense(1, activation='sigmoid')(x1)
model_B = Model(inputs=inputs, outputs=predictions_B)

两个模型的损失函数是：

model_A.compile(optimizer='rmsprop',
              loss='categorical_crossentropy',
              metrics=['accuracy'])


model_B.compile(loss='mean_squared_error', optimizer='adam')

我能够分别训练这两个模型，如下所示：

model_A.fit(my_data_x, pd.get_dummies(my_data['target_categorical'],prefix=['cate_'])) 

model_B.fit(my_data_x, my_data_y)

代码正在运行，但这并不是我想要的。我希望“同时”训练 model_A 和 model_B。也就是说，model_A 使用自己的交叉熵损失函数，同时考虑了来自 model_B 的反向传播误差。这有可能吗？

【问题讨论】：

标签： keras keras-layer

【解决方案1】：

您需要一个具有两个输出的模型：

model = Model(inputs=inputs, outputs = [predictions_A, predictions_B])
model.compile(optimizer='rmsprop', 
              loss=['categorical_crossentropy', 'mse'],
              metrics=['accuracy'])
model.fit(my_data_x, 
          [pd.get_dummies(my_data['target_categorical'],prefix=['cate_']),
           my_data_y])

【讨论】：