Keras迴歸多個輸出

Question

一個問題關於與多個輸出keras迴歸：

你能解釋一下beteween這個網的區別：

兩個輸入 - >兩個輸出

input = Input(shape=(2,), name='bla') 
hidden = Dense(hidden, activation='tanh', name='bla')(input) 
output = Dense(2, activation='tanh', name='bla')(hidden) 

和：兩個單輸入 - >兩個單輸出：

input = Input(shape=(2,), name='speed_input') 
hidden = Dense(hidden_dim, activation='tanh', name='hidden')(input) 
output = Dense(1, activation='tanh', name='bla')(hidden) 

input_2 = Input(shape=(1,), name='angle_input') 
hidden_2 = Dense(hidden_dim, activation='tanh', name='hidden')(input_2) 
output_2 = Dense(1, activation='tanh', name='bla')(hidden_2) 

model = Model(inputs=[speed_input, angle_input], outputs=[speed_output, angle_output]) 

它們的行爲非常相似。其他時候，我完全把它們分開，那麼這兩個網就像他們應該做的那樣。

這是正常的，兩個單輸出網的行爲比兩個輸出的更大的一個更容易理解，我不認爲差異可能是巨大的，就像我經歷過的。

非常感謝:)

Answer 1

這可以追溯到神經網絡如何操作。在你的第一個模型中，每個隱藏的神經元接收2個輸入值（因爲它是一個'密集'層，輸入傳播到每個神經元）。在您的第二個模型中，您的神經元數量是其的兩倍，但其中每個只接收speed_input或angle_input，並且僅適用於該數據而不是整個數據。因此，如果speed_input和angle_input是2個完全不相關的屬性，那麼您可能會看到分裂2個模型的更好性能，因爲神經元沒有接收基本上是噪聲輸入的內容（他們不知道您的輸出是否對應到您的輸入，他們只能嘗試優化您的損失功能）。基本上，你正在創建2個獨立的模型。

但是在大多數情況下，您想要提供組合在一起繪製預測的模型相關屬性。因此，拆分模型是沒有意義的，因爲你只是剝離了必要的信息。