Définir un modèle à entrées multiples
Dans certains cas, l’API séquentielle n’est pas assez flexible pour la structure de modèle que vous souhaitez, et vous devrez utiliser à la place l’API fonctionnelle. Par exemple, si vous voulez entraîner conjointement deux modèles aux architectures différentes, il faudra recourir à l’API fonctionnelle. Dans cet exercice, nous allons voir comment procéder. Nous utiliserons également la méthode .summary() pour examiner l’architecture du modèle joint.
Notez que keras a été importé depuis tensorflow pour vous. De plus, les couches d’entrée des premier et second modèles ont été définies respectivement comme m1_inputs et m2_inputs. Remarquez que les deux modèles partagent la même architecture, mais l’un utilise une activation sigmoid dans la première couche, tandis que l’autre utilise relu.
Cet exercice fait partie du cours
Introduction à TensorFlow en Python
Instructions
- Passez la couche d’entrée du modèle 1 à sa première couche, puis la première couche du modèle 1 à sa deuxième couche.
- Passez la couche d’entrée du modèle 2 à sa première couche, puis la première couche du modèle 2 à sa deuxième couche.
- Utilisez l’opération
add()pour combiner les deuxièmes couches des modèles 1 et 2. - Terminez la définition du modèle fonctionnel.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# For model 1, pass the input layer to layer 1 and layer 1 to layer 2
m1_layer1 = keras.layers.Dense(12, activation='sigmoid')(____)
m1_layer2 = keras.layers.Dense(4, activation='softmax')(____)
# For model 2, pass the input layer to layer 1 and layer 1 to layer 2
m2_layer1 = keras.layers.Dense(12, activation='relu')(____)
m2_layer2 = keras.layers.Dense(4, activation='softmax')(____)
# Merge model outputs and define a functional model
merged = keras.layers.add([m1_layer2, ____])
model = keras.Model(inputs=[____, m2_inputs], outputs=____)
# Print a model summary
print(model.summary())