问题描述
我正在尝试使用 Keras 为具有 3 个可能输出的多类分类问题实现多输入模型，但我无法理解将任何层保留为最后一层是否正确，或者是否应该尊重班级数。
那么下面这两个之间的正确（如果可以定义一个正确的）架构是什么？
1)
def createModel(numData,boolData,ordData):
numIn = ks.Input(shape=numData.shape[1:3],name='numeric')
x = ks.layers.Masking(mask_value=np.float64(0),input_shape=numData.shape[1:3])(numIn)
mod1 = ks.layers.LSTM(128,return_sequences=True)(x)
mod1 = ks.layers.LSTM(128)(mod1)
model1 = ks.Model(numIn,mod1)
boolIn = ks.Input(shape=boolData.shape[1],name='boolean')
mod2 = ks.layers.Dense(128,activation='relu')(boolIn)
mod2 = ks.layers.Dense(128,activation='relu')(mod2)
model2 = ks.Model(boolIn,mod2)
ordIn = ks.Input(shape=ordData.shape[1],name='ordinal')
mod3 = ks.layers.Dense(128,activation='relu')(ordIn)
mod3 = ks.layers.Dense(128,activation='relu')(mod3)
model3 = ks.Model(ordIn,mod3)
finMod = ks.layers.concatenate([model1.output,model2.output,model3.output])
out = ks.layers.Dense(3,activation='softmax',name='out')(finMod)
model = ks.Model(inputs=[model1.input,model2.input,model3.input],outputs=[out])
return model
def createModel(numData,ordData):
numIn = ks.Input(shape=numData.shape[1:3],name='numeric')
x = ks.layers.Masking(mask_value=np.float64(0),input_shape=numData.shape[1:3])(numIn)
mod1 = ks.layers.LSTM(128,return_sequences=True)(x)
mod1 = ks.layers.LSTM(128)(mod1)
mod1 = ks.layers.Dense(3,activation='softmax')(mod1) #added layer
model1 = ks.Model(numIn,mod1)
boolIn = ks.Input(shape=boolData.shape[1],name='boolean')
mod2 = ks.layers.Dense(128,activation='relu')(boolIn)
mod2 = ks.layers.Dense(128,activation='relu')(mod2)
mod2 = ks.layers.Dense(3,activation='softmax')(mod2) #added layer
model2 = ks.Model(boolIn,mod2)
ordIn = ks.Input(shape=ordData.shape[1],name='ordinal')
mod3 = ks.layers.Dense(128,activation='relu')(ordIn)
mod3 = ks.layers.Dense(128,activation='relu')(mod3)
mod3 = ks.layers.Dense(3,activation='softmax')(mod3) #added layer
model3 = ks.Model(ordIn,mod3)
finMod = ks.layers.concatenate([model1.output,model3.output])
out = ks.layers.Dense(3,name='out')(finMod)
model = ks.Model(inputs=[model1.input,outputs=[out])
return model
显然，如果还有其他大错误，请告诉我，因为我仍在学习 Keras 和深度学习，我可能误解了一些基础知识。
解决方法
中间层不必输出 3 个类别（如模型 #2）。 在这种情况下没有“正确的方式”，只有两种不同的方式。
在模型#2 的情况下，添加的层将每个通道的信息压缩为 3 个单元。可以解释为好像每个通道都被要求做自己的预测，最后一个依靠中间预测来输出最终类。
而在模型 #1 的情况下，最后一层与通道层的连接要多得多，但整体模型的深度要小得多。
但这些都不能提前告诉您哪一种最适合您的情况。