如何集成 2 个 keras 模型输出？

Question

我一直在考虑是否要构建具有不同目标的多个 keras 模型，我将通过一个示例来说明我的意思。假设主要目标是预测股票价格，假设有 2 个模型，第一个模型用于情绪分析，其主要目标是处理新闻文章并预测股票价格是上涨还是下跌.第二个模型是一个 LSTM，它将历史价格数据作为输入并预测下一个时期（可以是一分钟、一天、一个月……）的价格。假设我希望 LSTM 模型也考虑情绪分析的结果，以及可能以相同方式预测不同指标的其他模型的输出，这可能吗？它通常是如何完成的？我认为相同的逻辑可能适用于许多其他示例（推荐系统、零售库存预测......）

Answer 1

Keras 功能 API 可帮助您创建更灵活的模型，包括多个输入管道。

根据您的要求，您有一个 RNN (LSTM) 模型可以对股票价格（数字数据）进行序列处理，另一个 CNN 或 RNN 模型可以对新闻文章（文本数据）进行文本处理。使用 Keras 功能 API，您可以创建一个模型，将这两个模块放在单独的输入管道中，然后您可以合并它们以预测股票价格。

鞋类价格预测模型示例：

在图中，您有 3 个输入管道（例如鞋子的规格、描述和图片），然后将由 layers.concatenate() 合并以形成预测鞋子价格的模型。

TF Keras Functional API Guide

2 输入问答模型的示例实现：

from tensorflow.keras.models import Model
from tensorflow.keras import layers
from tensorflow.keras import Input

text_vocabulary_size = 10000
question_vocabulary_size = 10000
answer_vocabulary_size = 500

text_input = Input(shape=(None,), dtype='int32', name='text')

embedded_text = layers.Embedding(64, text_vocabulary_size)(text_input)

encoded_text = layers.LSTM(32)(embedded_text)

question_input = Input(shape=(None,),
   dtype='int32',
   name='question')

embedded_question = layers.Embedding(
    32, question_vocabulary_size)(question_input)

encoded_question = layers.LSTM(16)(embedded_question)

concatenated = layers.concatenate([encoded_text, encoded_question],
   axis=-1)
answer = layers.Dense(answer_vocabulary_size,
   activation='softmax')(concatenated)

model = Model([text_input, question_input], answer)

model.compile(optimizer='rmsprop',
  loss='categorical_crossentropy',
  metrics=['acc'])

请参阅 使用 Python 进行深度学习 François Chollet 的书第 17.1 章