深度学习高级，Keras多输入和混合数据实现回归模型

Keras: Multiple Inputs and Mixed Data

在本教程中，您将学习如何将 Keras 用于多输入和混合数据。

您将学习如何定义能够接受多个输入（包括数字、分类和图像数据)的 Keras 架构。 然后我们将在这个混合数据上训练一个端到端的网络。 今天是我们关于 Keras 和回归的三部分系列的最后一部分：

使用 Keras 进行基本回归 训练 Keras

CNN 进行回归预测

使用 Keras 进行多输入和混合数据（今天的帖子）

在本系列博文中，我们探讨了房价预测背景下的回归预测。 我们使用的房价数据集不仅包括数字和分类数据，还包括图像数据——我们将多种类型的数据称为混合数据，因为我们的模型需要能够接受我们的多种输入（不同类型） 并计算对这些输入的预测。

在本教程的其余部分中，您将学习如何：

定义一个 Keras 模型，该模型能够同时接受多个输入，包括数值、分类和图像数据。

在混合数据输入上训练端到端 Keras 模型。

使用多输入评估我们的模型。

要了解有关使用 Keras 进行多输入和混合数据的更多信息，请继续阅读！

Keras：多输入和混合数据

在本教程的第一部分，我们将简要回顾混合数据的概念以及 Keras 如何接受多个输入。

从那里我们将审查我们的房价数据集和这个项目的目录结构。

接下来，我将向您展示如何：

从磁盘加载数值、分类和图像数据。

预处理数据，以便我们可以在其上训练网络。

准备混合数据，以便将其应用于多输入 Keras 网络。

准备数据后，您将学习如何定义和训练多输入 Keras 模型，该模型在单个端到端网络中接受多种类型的输入数据。

最后，我们将在测试集上评估我们的多输入和混合数据模型，并将结果与本系列之前的文章进行比较。

什么是混合数据？

图 1：借助 Keras 灵活的深度学习框架，可以定义一个包含 CNN 和 MLP 分支的多输入模型来处理混合数据。

在机器学习中，混合数据是指具有多种类型的独立数据的概念。 例如，假设我们是在医院工作的机器学习工程师，以开发能够对患者的健康状况进行分类的系统。 对于给定的患者，我们会有多种类型的输入数据，包括：

数字/连续值，例如年龄、心率、血压

分类值，包括性别和种族

图像数据，例如任何 MRI、X 射线等。

所有这些值构成了不同的数据类型； 然而，我们的机器学习模型必须能够摄取这种“混合数据”并对其进行（准确）预测。

在使用多种数据模式时，您会在机器学习文献中看到术语“混合数据”。 开发能够处理混合数据的机器学习系统可能极具挑战性，因为每种数据类型可能需要单独的预处理步骤，包括缩放、归一化和特征工程。 处理混合数据仍然是一个非常开放的研究领域，并且通常严重依赖于特定的任务/最终目标。

我们将在今天的教程中处理混合数据，以帮助您了解与之相关的一些挑战。

Keras 如何接受多个输入？

图 2：与其 Sequential API 不同，Keras 的函数式 API 允许使用更复杂的模型。 在这篇博文中，我们使用函数式 API 来支持我们创建具有多个输入和混合数据的模型以进行房价预测的目标。

Keras 能够通过其功能 API 处理多个输入（甚至多个输出）。 与sequential API（您之前几乎肯定已经通过 Sequential 类使用过）相反，函数式 API 可用于定义更复杂的non-sequential 模型，包括：

多输入型号

多输出型号

多输入多输出模型

有向无环图

具有共享层的模型

例如，我们可以将一个简单的序列神经网络定义为：

model = Sequential() model.add(Dense(8, input_shape=(10,), activation="relu")) model.add(Dense(4, activation="relu")) model.add(Dense(1, activation="linear"))

1

2

3

4

这个网络是一个简单的前馈神经网络，有 10 个输入，第一个隐藏层有 8 个节点，第二个隐藏层有 4 个节点，最后一个输出层用于回归。

我们可以使用函数式 API 定义示例神经网络：

inputs = Input(shape=(10,)) x = Dense(8, activation="relu")(inputs) x = Dense(4, activation="relu")(x) x = Dense(1, activation="linear")(x) model = Model(inputs, x)

1

2

3

4

5

请注意我们如何不再依赖 Sequential 类。 要了解 Keras 函数 API 的强大功能，请考虑以下代码，其中我们创建了一个接受多个输入的模型：

# define two sets of inputs inputA = Input(shape=(32,)) inputB = Input(shape=(128,)) # the first branch operates on the first input x = Dense(8, activation="relu")(inputA) x = Dense(4, activation="relu")(x) x = Model(inputs=inputA, outputs=x) # the second branch opreates on the second input y = Dense(64, activation="relu")(inputB) y = Dense(32, activation="relu")(y) y = Dense(4, activation="relu")(y) y = Model(inputs=inputB, outputs=y) # combine the output of the two branches combined = concatenate([x.output, y.output]) # apply a FC layer and then a regression prediction on the # combined outputs z = Dense(2, activation="relu")(combined) z = Dense(1, activation="linear")(z) # our model will accept the inputs of the two branches and # then output a single value model = Model(inputs=[x.input, y.input], outputs=z)

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

在这里，您可以看到我们为 Keras 神经网络定义了两个输入：

输入A：32-dim

输入B : 128-dim

使用 Keras 的函数式 API 定义了一个简单的 32-8-4 网络。

类似地，定义了一个 128-64-32-4 网络。

然后我们合并 x 和 y 的输出。 x 和 y 的输出都是 4-dim，所以一旦我们将它们连接起来，我们就有一个 8-dim 向量。 然后，我们应用另外两个完全连接的层。第一层有 2 个节点，然后是 ReLU 激活，而第二层只有一个具有线性激活的节点（即我们的回归预测）。 构建多输入模型的最后一步是定义一个模型对象，它：

接受我们的两个输入

将输出定义为最终的 FC 层集（即 z ）。

如果您要使用 Keras 来可视化模型架构，它将如下所示：

图 3：该模型有两个输入分支，最终合并并产生一个输出。 Keras 函数式 API 支持这种类型的架构以及您可以想象的其他架构。

注意我们的模型有两个不同的分支。 第一个分支接受我们的 128-d 输入，而第二个分支接受 32-d 输入。 这些分支彼此独立运行，直到它们连接起来。 从那里从网络输出单个值。 在本教程的其余部分，您将学习如何使用 Keras 创建多个输入网络。

房价数据集

图 4：房价数据集由数字/分类数据和图像数据组成。 使用 Keras，我们将构建一个支持多输入和混合数据类型的模型。 结果将是预测房屋价格/价值的 Keras 回归模型。

数据集地址：emanhamed/Houses-dataset: This is the first benchmark dataset for houses prices that contains both images and textual information that was introduced in our paper. (github.com)

该数据集包括数字/分类数据以及数据集中 535 个示例房屋中的每一个的图像数据。 数字和分类属性包括：

卧室数量

浴室数量

面积（即平方英尺）

邮政编码

每个房子总共提供了四张图片：

卧室

浴室

厨房

房子的正面图

今天，我们将使用 Keras 处理多个输入和混合数据。 我们将接受数字/分类数据以及我们的图像数据到网络。 将定义网络的两个分支来处理每种类型的数据。 然后将在最后合并分支以获得我们最终的房价预测。

通过这种方式，我们将能够利用 Keras 处理多个输入和混合数据。

项目结构

$ tree --dirsfirst --filelimit 10 . ├── Housesdataset │ ├── HousesDataset [2141 entries] │ └── README.md ├── model │ ├── __init__.py │ ├── datasets.py │ └── models.py └── mixed_training.py

1

2

3

4

5

6

7

8

9

10

Houses-dataset 文件夹包含我们在本系列中使用的 House Prices 数据集。 当我们准备好运行 mix_training.py 脚本时，您只需要提供一个路径作为数据集的命令行参数（我将在结果部分向您展示这是如何完成的）。 今天我们将回顾三个 Python 脚本：

model/datasets.py ：处理加载和预处理我们的数值/分类数据以及我们的图像数据。 我们之前在过去两周内审查了这个脚本，但今天我将再次引导您完成它。

model/models.py ：包含我们的多层感知器（MLP）和卷积神经网络（CNN）。 这些组件是我们的多输入混合数据模型的输入分支。 我们上周审查了这个脚本，今天我们也将简要审查它。

mix_training.py ：我们的训练脚本将使用 pyimagesearch 模块的便利功能来加载 + 拆分数据并将两个分支连接到我们的网络 + 添加头部。 然后它将训练和评估模型。

加载数值和分类数据

打开 datasets.py 文件并插入以下代码：

# import the necessary packages from sklearn.preprocessing import LabelBinarizer from sklearn.preprocessing import MinMaxScaler import pandas as pd import numpy as np import glob import cv2 import os def load_house_attributes(inputPath): # initialize the list of column names in the CSV file and then # load it using Pandas cols = ["bedrooms", "bathrooms", "area", "zipcode", "price"] df = pd.read_csv(inputPath, sep=" ", header=None, names=cols) # determine (1) the unique zip codes and (2) the number of data # points with each zip code zipcodes = df["zipcode"].value_counts().keys().tolist() counts = df["zipcode"].value_counts().tolist() # loop over each of the unique zip codes and their corresponding # count for (zipcode, count) in zip(zipcodes, counts): # the zip code counts for our housing dataset is *extremely* # unbalanced (some only having 1 or 2 houses per zip code) # so let's sanitize our data by removing any houses with less # than 25 houses per zip code if count < 25: idxs = df[df["zipcode"] == zipcode].index df.drop(idxs, inplace=True) # return the data frame return df

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

导入项目需要的包。

定义了 load_house_attributes 函数。 该函数通过 Pandas 的 pd.read_csv 以 CSV 文件的形式从房价数据集中读取数字/分类数据。 数据被过滤以适应不平衡。 一些邮政编码仅由 1 或 2 个房屋表示，因此我们继续删除邮政编码中少于 25 个房屋的任何记录。 结果是稍后更准确的模型。 现在让我们定义 process_house_attributes 函数：

def process_house_attributes(df, train, test): # initialize the column names of the continuous data continuous = ["bedrooms", "bathrooms", "area"] # performin min-max scaling each continuous feature column to # the range [0, 1] cs = MinMaxScaler() trainContinuous = cs.fit_transform(train[continuous]) testContinuous = cs.transform(test[continuous]) # one-hot encode the zip code categorical data (by definition of # one-hot encoding, all output features are now in the range [0, 1]) zipBinarizer = LabelBinarizer().fit(df["zipcode"]) trainCategorical = zipBinarizer.transform(train["zipcode"]) testCategorical = zipBinarizer.transform(test["zipcode"]) # construct our training and testing data points by concatenating # the categorical features with the continuous features trainX = np.hstack([trainCategorical, trainContinuous]) testX = np.hstack([testCategorical, testContinuous]) # return the concatenated training and testing data return (trainX, testX)

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

此函数通过 sklearn-learn 的 MinMaxScaler将最小-最大缩放应用于连续特征。

然后，计算分类特征的单热编码，这次是通过 sklearn-learn 的 LabelBinarizer。 然后连接并返回连续和分类特征。

加载图像数据集

图 6：我们模型的一个分支接受单个图像 - 来自家中的四张图像的蒙太奇。 使用蒙太奇与输入到另一个分支的数字/类别数据相结合，我们的模型然后使用回归来预测具有 Keras 框架的房屋的价值。

下一步是定义一个辅助函数来加载我们的输入图像。 再次打开 datasets.py 文件并插入以下代码：

def load_house_images(df, inputPath): # initialize our images array (i.e., the house images themselves) images = [] # loop over the indexes of the houses for i in df.index.values: # find the four images for the house and sort the file paths, # ensuring the four are always in the *same order* basePath = os.path.sep.join([inputPath, "{}_*".format(i + 1)]) housePaths = sorted(list(glob.glob(basePath))) # initialize our list of input images along with the output image # after *combining* the four input images inputImages = [] outputImage = np.zeros((64, 64, 3), dtype="uint8") # loop over the input house paths for housePath in housePaths: # load the input image, resize it to be 32 32, and then # update the list of input images image = cv2.imread(housePath) image = cv2.resize(image, (32, 32)) inputImages.append(image) # tile the four input images in the output image such the first # image goes in the top-right corner, the second image in the # top-left corner, the third image in the bottom-right corner, # and the final image in the bottom-left corner outputImage[0:32, 0:32] = inputImages[0] outputImage[0:32, 32:64] = inputImages[1] outputImage[32:64, 32:64] = inputImages[2] outputImage[32:64, 0:32] = inputImages[3] # add the tiled image to our set of images the network will be # trained on images.append(outputImage) # return our set of images return np.array(images)

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

load_house_images 函数有三个目标：

加载房价数据集中的所有照片。 回想一下，我们每个房子都有四张照片（图 6）。

从四张照片生成单个蒙太奇图像。 蒙太奇将始终按照您在图中看到的方式排列。

将所有这些家庭蒙太奇附加到列表/数组并返回到调用函数。

我们定义了接受 Pandas 数据框和数据集 inputPath 的函数。

初始化图像列表。 我们将使用我们构建的所有蒙太奇图像填充此列表。 在我们的数据框中循环房屋。 在循环内部， 获取当前房屋的四张照片的路径。

执行初始化。 我们的 inputImages 将以列表形式包含每条记录的四张照片。 我们的 outputImage 将是照片的蒙太奇（如图 6 所示）。 循环 4 张照片： 加载、调整大小并将每张照片附加到 inputImages。 使用以下命令为四个房屋图像、创建平铺（蒙太奇）： 左上角的浴室图片。 右上角的卧室图片。 右下角的正面视图。 左下角的厨房。 将平铺/蒙太奇 outputImage 附加到图像。 跳出循环，我们以 NumPy 数组的形式返回所有图像。

定义模型

使用 Keras 的功能 API 构建的多输入和混合数据网络。

为了构建多输入网络，我们需要两个分支： 第一个分支将是一个简单的多层感知器 (MLP)，旨在处理分类/数字输入。 第二个分支将是一个卷积神经网络，用于对图像数据进行操作。 然后将这些分支连接在一起以形成最终的多输入 Keras 模型。 我们将在下一节中构建最终的串联多输入模型——我们当前的任务是定义两个分支。

打开models.py文件并插入以下代码：

# import the necessary packages from tensorflow.keras.models import Sequential from tensorflow.keras.layers import BatchNormalization from tensorflow.keras.layers import Conv2D from tensorflow.keras.layers import MaxPooling2D from tensorflow.keras.layers import Activation from tensorflow.keras.layers import Dropout from tensorflow.keras.layers import Dense from tensorflow.keras.layers import Flatten from tensorflow.keras.layers import Input from tensorflow.keras.models import Model def create_mlp(dim, regress=False): # define our MLP network model = Sequential() model.add(Dense(8, input_dim=dim, activation="relu")) model.add(Dense(4, activation="relu")) # check to see if the regression node should be added if regress: model.add(Dense(1, activation="linear")) # return our model return model

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

导入。您将在此脚本中看到每个导入的函数/类。

分类/数值数据将由一个简单的多层感知器 (MLP) 处理。 MLP在create_mlp 定义。 在本系列的第一篇文章中详细讨论过，MLP 依赖于 Keras Sequential API。我们的 MLP 非常简单，具有：

具有 ReLU 激活功能的全连接（密集）输入层。

一个完全连接的隐藏层，也有 ReLU 激活。

最后，带有线性激活的可选回归输出。

虽然我们在第一篇文章中使用了 MLP 的回归输出，但它不会在这个多输入、混合数据网络中使用。您很快就会看到，我们将明确设置 regress=False，即使它也是默认值。回归实际上稍后会在整个多输入、混合数据网络的头部执行（图 7 的底部）。 现在让我们定义网络的右上角分支，一个 CNN：

def create_cnn(width, height, depth, filters=(16, 32, 64), regress=False): # initialize the input shape and channel dimension, assuming # TensorFlow/channels-last ordering inputShape = (height, width, depth) chanDim = -1 # define the model input inputs = Input(shape=inputShape) # loop over the number of filters for (i, f) in enumerate(filters): # if this is the first CONV layer then set the input # appropriately if i == 0: x = inputs # CONV => RELU => BN => POOL x = Conv2D(f, (3, 3), padding="same")(x) x = Activation("relu")(x) x = BatchNormalization(axis=chanDim)(x) x = MaxPooling2D(pool_size=(2, 2))(x)

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

create_cnn 函数处理图像数据并接受五个参数：

width ：输入图像的宽度（以像素为单位）。

height ：输入图像有多少像素高。

depth ：输入图像中的通道数。 对于RGB彩色图像，它是三个。

过滤器：逐渐变大的过滤器的元组，以便我们的网络可以学习更多可区分的特征。

regress ：一个布尔值，指示是否将完全连接的线性激活层附加到 CNN 以用于回归目的。

模型的输入是通过 inputShape 定义的。 从那里我们开始循环过滤器并创建一组 CONV => RELU > BN => POOL 层。 循环的每次迭代都会附加这些层。 如果您不熟悉，请务必查看使用 Python 进行计算机视觉深度学习入门包中的第 11 章，以获取有关这些层类型的更多信息。

让我们完成构建我们网络的 CNN 分支：

# flatten the volume, then FC => RELU => BN => DROPOUT x = Flatten()(x) x = Dense(16)(x) x = Activation("relu")(x) x = BatchNormalization(axis=chanDim)(x) x = Dropout(0.5)(x) # apply another FC layer, this one to match the number of nodes # coming out of the MLP x = Dense(4)(x) x = Activation("relu")(x) # check to see if the regression node should be added if regress: x = Dense(1, activation="linear")(x) # construct the CNN model = Model(inputs, x) # return the CNN return model

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

我们展平下一层，然后添加一个带有 BatchNormalization 和 Dropout 的全连接层。

应用另一个全连接层来匹配来自多层感知器的四个节点。 匹配节点的数量不是必需的，但它确实有助于平衡分支。

检查是否应附加回归节点； 然后相应地添加它。 同样，我们也不会在这个分支的末尾进行回归。 回归将在多输入、混合数据网络的头部执行（图 7 的最底部）。

最后，模型是根据我们的输入和我们组装在一起的所有层构建的x

。 然后我们可以将 CNN 分支返回给调用函数。 现在我们已经定义了多输入 Keras 模型的两个分支，让我们学习如何组合它们！

使用 Keras 进行多输入

我们现在准备构建能够处理多个输入和混合数据的最终 Keras 模型。 这是分支合并的地方，也是“魔法”最终发生的地方。训练也将在此脚本中进行。 创建一个名为 mix_training.py 的新文件，打开它，并插入以下代码：

# import the necessary packages from pyimagesearch import datasets from pyimagesearch import models from sklearn.model_selection import train_test_split from tensorflow.keras.layers import Dense from tensorflow.keras.models import Model from tensorflow.keras.optimizers import Adam from tensorflow.keras.layers import concatenate import numpy as np import argparse import locale import os # construct the argument parser and parse the arguments ap = argparse.ArgumentParser() ap.add_argument("-d", "--dataset", type=str, required=True, help="path to input dataset of house images") args = vars(ap.parse_args())

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

首先处理我们的导入和命令行参数。 值得注意的进口包括：

数据集：我们三个方便的函数，用于加载/处理 CSV 数据和加载/预处理房屋数据集中的房屋照片。

模型：我们的 MLP 和 CNN 输入分支，它们将用作我们的多输入混合数据。

train_test_split ：一个 scikit-learn 函数，用于构建我们的训练/测试数据拆分。

concatenate ：一个特殊的 Keras 函数，它将接受多个输入。

argparse ：处理解析命令行参数。

加载数值/分类数据和图像数据：

# construct the path to the input .txt file that contains information # on each house in the dataset and then load the dataset print("[INFO] loading house attributes...") inputPath = os.path.sep.join([args["dataset"], "HousesInfo.txt"]) df = datasets.load_house_attributes(inputPath) # load the house images and then scale the pixel intensities to the # range [0, 1] print("[INFO] loading house images...") images = datasets.load_house_images(df, args["dataset"]) images = images / 255.0

1

2

3

4

5

6

7

8

9

10

在这里，我们将 House Prices 数据集加载为 Pandas 数据。

然后我们加载了我们的图像并将它们缩放到范围 [0, 1]。

# partition the data into training and testing splits using 75% of # the data for training and the remaining 25% for testing print("[INFO] processing data...") split = train_test_split(df, images, test_size=0.25, random_state=42) (trainAttrX, testAttrX, trainImagesX, testImagesX) = split # find the largest house price in the training set and use it to # scale our house prices to the range [0, 1] (will lead to better # training and convergence) maxPrice = trainAttrX["price"].max() trainY = trainAttrX["price"] / maxPrice testY = testAttrX["price"] / maxPrice # process the house attributes data by performing min-max scaling # on continuous features, one-hot encoding on categorical features, # and then finally concatenating them together (trainAttrX, testAttrX) = datasets.process_house_attributes(df, trainAttrX, testAttrX)

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

4:1的比例切分训练集和测试集。 从训练集中找到 maxPrice 并相应地缩放训练和测试数据。 将定价数据设置在 [0, 1] 范围内会导致更好的训练和收敛。

最后，我们继续通过对连续特征执行最小-最大缩放和对分类特征执行单热编码来处理我们的房屋属性。 process_house_attributes 函数处理这些操作并将连续特征和分类特征连接在一起，返回结果。

连接网络分支完成多输入 Keras 网络模型：

# create the MLP and CNN models mlp = models.create_mlp(trainAttrX.shape[1], regress=False) cnn = models.create_cnn(64, 64, 3, regress=False) # create the input to our final set of layers as the *output* of both # the MLP and CNN combinedInput = concatenate([mlp.output, cnn.output]) # our final FC layer head will have two dense layers, the final one # being our regression head x = Dense(4, activation="relu")(combinedInput) x = Dense(1, activation="linear")(x) # our final model will accept categorical/numerical data on the MLP # input and images on the CNN input, outputting a single value (the # predicted price of the house) model = Model(inputs=[mlp.input, cnn.input], outputs=x)

1

2

3

4

5

6

7

8

9

10

11

12

13

14

创建mlp 和 cnn 模型，请注意，regress=False。

然后我们将连接 mlp.output 和 cnn.output，我称其为我们的组合输入，因为它是网络其余部分的输入（从图 3 中，这是两个分支聚集在一起的 concatenate_1 ）。 网络中最后一层的组合输入基于 MLP 和 CNN 分支的 8-4-1 FC 层的输出（因为 2 个分支中的每一个都输出一个 4-dim FC 层，然后我们将它们连接起来以创建一个 8 维向量）。

我们将具有四个神经元的全连接层添加到组合输入。 然后我们添加我们的“线性”激活回归头，其输出是预测价格。 我们的模型使用两个分支的输入作为我们的多输入和最终的一组层 x 作为输出定义。 让我们继续编译、训练和评估我们新形成的模型：

# compile the model using mean absolute percentage error as our loss, # implying that we seek to minimize the absolute percentage difference # between our price *predictions* and the *actual prices* opt = Adam(lr=1e-3, decay=1e-3 / 200) model.compile(loss="mean_absolute_percentage_error", optimizer=opt) # train the model print("[INFO] training model...") model.fit( x=[trainAttrX, trainImagesX], y=trainY, validation_data=([testAttrX, testImagesX], testY), epochs=200, batch_size=8) # make predictions on the testing data print("[INFO] predicting house prices...") preds = model.predict([testAttrX, testImagesX])

1

2

3

4

5

6

7

8

9

10

11

12

13

14

我们的模型是使用“mean_absolute_percentage_error”损失和具有学习率衰减的 Adam 优化器。

训练。然后调用 model.predict 允许我们获取用于评估模型的预测。 现在让我们进行评估：

# compute the difference between the *predicted* house prices and the # *actual* house prices, then compute the percentage difference and # the absolute percentage difference diff = preds.flatten() - testY percentDiff = (diff / testY) * 100 absPercentDiff = np.abs(percentDiff) # compute the mean and standard deviation of the absolute percentage # difference mean = np.mean(absPercentDiff) std = np.std(absPercentDiff) # finally, show some statistics on our model locale.setlocale(locale.LC_ALL, "en_US.UTF-8") print("[INFO] avg. house price: {}, std house price: {}".format( locale.currency(df["price"].mean(), grouping=True), locale.currency(df["price"].std(), grouping=True))) print("[INFO] mean: {:.2f}%, std: {:.2f}%".format(mean, std))

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

为了评估我们的模型，我们计算了绝对百分比差异并使用它来推导出我们的最终指标。 这些指标（价格平均值、价格标准偏差和绝对百分比差异的平均值 + 标准偏差）以正确的货币区域设置格式打印到终端。

多输入和混合数据结果

最后，我们准备好在我们的混合数据上训练我们的多输入网络！

打开一个终端并执行以下命令以开始训练网络：

$ python mixed_training.py --dataset HousesDataset/HousesDataset/ [INFO] loading house attributes... [INFO] loading house images... [INFO] processing data... [INFO] training model... Epoch 1/200 34/34 [==============================] - 0s 10ms/step - loss: 972.0082 - val_loss: 137.5819 Epoch 2/200 34/34 [==============================] - 0s 4ms/step - loss: 708.1639 - val_loss: 873.5765 Epoch 3/200 34/34 [==============================] - 0s 5ms/step - loss: 551.8876 - val_loss: 1078.9347 Epoch 4/200 34/34 [==============================] - 0s 3ms/step - loss: 347.1892 - val_loss: 888.7679 Epoch 5/200 34/34 [==============================] - 0s 4ms/step - loss: 258.7427 - val_loss: 986.9370 Epoch 6/200 34/34 [==============================] - 0s 3ms/step - loss: 217.5041 - val_loss: 665.0192 Epoch 7/200 34/34 [==============================] - 0s 3ms/step - loss: 175.1175 - val_loss: 435.5834 Epoch 8/200 34/34 [==============================] - 0s 5ms/step - loss: 156.7351 - val_loss: 465.2547 Epoch 9/200 34/34 [==============================] - 0s 4ms/step - loss: 133.5550 - val_loss: 718.9653 Epoch 10/200 34/34 [==============================] - 0s 3ms/step - loss: 115.4481 - val_loss: 880.0882 ... Epoch 191/200 34/34 [==============================] - 0s 4ms/step - loss: 23.4761 - val_loss: 23.4792 Epoch 192/200 34/34 [==============================] - 0s 5ms/step - loss: 21.5748 - val_loss: 22.8284 Epoch 193/200 34/34 [==============================] - 0s 3ms/step - loss: 21.7873 - val_loss: 23.2362 Epoch 194/200 34/34 [==============================] - 0s 6ms/step - loss: 22.2006 - val_loss: 24.4601 Epoch 195/200 34/34 [==============================] - 0s 3ms/step - loss: 22.1863 - val_loss: 23.8873 Epoch 196/200 34/34 [==============================] - 0s 4ms/step - loss: 23.6857 - val_loss: 1149.7415 Epoch 197/200 34/34 [==============================] - 0s 4ms/step - loss: 23.0267 - val_loss: 86.4044 Epoch 198/200 34/34 [==============================] - 0s 4ms/step - loss: 22.7724 - val_loss: 29.4979 Epoch 199/200 34/34 [==============================] - 0s 3ms/step - loss: 23.1597 - val_loss: 23.2382 Epoch 200/200 34/34 [==============================] - 0s 3ms/step - loss: 21.9746 - val_loss: 27.5241 [INFO] predicting house prices... [INFO] avg. house price: $533,388.27, std house price: $493,403.08 [INFO] mean: 27.52%, std: 22.19%

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

我们的平均绝对百分比误差开始时非常高，但在整个训练过程中继续下降。 在训练结束时，我们在测试集上获得了 27.52% 的平均绝对百分比误差，这意味着，平均而言，我们的网络在其房价预测中将降低约 26-27%。

总结

在本教程中，您学习了如何定义能够接受多个输入的 Keras 网络。

您还学习了如何使用 Keras 处理混合数据。

为了实现这些目标，我们定义了一个能够接受的多输入神经网络：

数值数据

分类数据

图像数据

在训练之前，数值数据被最小-最大缩放到范围 [0, 1]。我们的分类数据是单热编码的（同时确保生成的整数向量在 [0, 1] 范围内）。

然后将数值和分类数据连接成一个单一的特征向量，以形成 Keras 网络的第一个输入。 我们的图像数据也被缩放到 [0, 1] 范围内——这些数据作为 Keras 网络的第二个输入。

该模型的一个分支包括严格完全连接的层（用于连接数值和分类数据），而多输入模型的第二个分支本质上是一个小型卷积神经网络。

两个分支的输出被组合在一起，并定义了一个单一的输出（回归预测）。

通过这种方式，我们能够端到端地训练我们的多输入网络，从而导致准确性几乎与单独的一个输入一样好。

代码复现

KerasMultipleInputsandMixedData.zip-深度学习文档类资源-CSDN文库

Keras TensorFlow 深度学习

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。