मल्टिपल इनपुट मॉडल परिभाषित करना
कुछ मामलों में, sequential API आपकी मनचाही मॉडल आर्किटेक्चर के लिए पर्याप्त लचीली नहीं होती, और आपको इसकी जगह functional API का उपयोग करना पड़ता है. उदाहरण के लिए, अगर आप एक साथ दो अलग-अलग आर्किटेक्चर वाले मॉडल को संयुक्त रूप से ट्रेन करना चाहते हैं, तो इसके लिए functional API की ज़रूरत पड़ेगी. इस अभ्यास में, हम यही करना सीखेंगे. हम संयुक्त मॉडल की आर्किटेक्चर देखने के लिए .summary() मेथड का भी उपयोग करेंगे.
ध्यान दें कि आपके लिए tensorflow से keras इम्पोर्ट किया जा चुका है. साथ ही, पहले और दूसरे मॉडल की इनपुट लेयर्स क्रमशः m1_inputs और m2_inputs के रूप में परिभाषित हैं. ध्यान दें कि दोनों मॉडलों की आर्किटेक्चर एक जैसी है, लेकिन एक में पहली लेयर में sigmoid एक्टिवेशन है और दूसरे में relu.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में TensorFlow परिचय
अभ्यास निर्देश
- मॉडल 1 की इनपुट लेयर को उसकी पहली लेयर में पास करें और मॉडल 1 की पहली लेयर को उसकी दूसरी लेयर में पास करें.
- मॉडल 2 की इनपुट लेयर को उसकी पहली लेयर में पास करें और मॉडल 2 की पहली लेयर को उसकी दूसरी लेयर में पास करें.
add()ऑपरेशन का उपयोग करके मॉडल 1 और मॉडल 2 की दूसरी लेयर्स को कॉम्बाइन करें.- functional मॉडल की परिभाषा पूरी करें.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# 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())