函数式API链接前馈网络和卷积神经网络

Question

现在我有两个网络f和g，第一个在任务1上训练，第二个在任务2上训练。 我将我的数据标记为任务 1 或任务 2。 如何构建以下(可训练(自定义体系结构：

x ->决定 1 或 2 ->相应地传递给 f 还是 g？

我以前从未使用过这样的分支架构...

Answer 1

我试图用下面显示的Sample Code来演示你需要什么。如果这不是您要找的，请告诉我并提供更多详细信息，我将很乐意为您提供帮助。

根据问题，我们正在尝试实现 2 个任务，Task 1 --> Regression(前馈神经网络(和Task 2 --> CNN.我们将根据标签从现有数据集中形成 2 个数据集，无论它属于Task 1 --> Data_T1和Task 2 --> Data_T2。

然后使用函数式 API，我们可以传递Multiple Inputs，我们可以得到Multiple Outputs。

代码如下所示：

from tensorflow.keras.models import Model
from tensorflow.keras.layers import Input, Conv2D, Dense, Flatten
import pandas as pd
F1 = [1,2,3,4,5,6,7,8,9,10]
F2 = [1,2,3,4,5,6,7,8,9,10]
F3 = [1,2,3,4,5,6,7,8,9,10]
Task = ['t1', 't1', 't2', 't1', 't2', 't2', 't2', 't1', 't1', 't2']
Dict = {'F1': F1, 'F2':F2, 'F3':F3, 'Task':Task} # Column Task tells us whether the Data belongs to Task1 or Task2
Data = pd.DataFrame(Dict) #Create a Dummy Data Frame
Data_T1 = Data[Data['Task']=='t1']
Data_T1 = Data_T1.drop(columns = ['Task'])
Data_T2 = Data[Data['Task']=='t2']
Data_T2 = Data_T2.drop(columns = ['Task'])
Input1 = ...
Input2 = ...
Number_Of_Classes = 3
# Regression Model
D1 = Dense(10, activation = 'relu')(Input1)
Out_Task1 = Dense(1, activation = 'linear') 
# CNN Model
Conv1 = Conv2D(16, (3,3), activation = 'relu')(Input2)
Conv2 = Conv2D(32, (3,3, activation = 'relu'))(Conv1)
Flatten = Flatten()(Conv2)
D2_1 = Dense(10, activation = 'relu')
Out_Task2 = Dense(Number_Of_Classes, activation = 'softmax')
model = Model(inputs = [Input1, Input2], outputs = [Out_Task1, Out_Task2])
model.compile....
model.fit([Data_T1, Data_T2], .....)