ComeçarComece gratuitamente

Definição de um modelo de múltiplas entradas

Em alguns casos, o API sequencial não será suficientemente flexível para acomodar a arquitetura de modelo desejada e você precisará usar o API funcional. Se, por exemplo, você quiser treinar dois modelos com arquiteturas diferentes em conjunto, precisará usar o API funcional para fazer isso. Neste exercício, veremos como fazer isso. Também usaremos o método .summary() para examinar a arquitetura do modelo conjunto.

Observe que keras foi importado de tensorflow para você. Além disso, as camadas de entrada do primeiro e do segundo modelos foram definidas como m1_inputs e m2_inputs, respectivamente. Observe que os dois modelos têm a mesma arquitetura, mas um deles usa uma ativação sigmoid na primeira camada e o outro usa uma relu.

Este exercício faz parte do curso

Introdução ao TensorFlow em Python

Ver Curso

Instruções de exercício

  • Passe a camada de entrada do modelo 1 para sua primeira camada e a primeira camada do modelo 1 para sua segunda camada.
  • Passe a camada de entrada do modelo 2 para sua primeira camada e a primeira camada do modelo 2 para sua segunda camada.
  • Use a operação add() para combinar as segundas camadas do modelo 1 e do modelo 2.
  • Conclua a definição do modelo funcional.

Exercício interativo prático

Experimente este exercício preenchendo este código de exemplo.

# 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())
Editar e executar código