images.jpeg
上一篇文章讲的什么来着，哦，是关于keras如何拆分网络层的，那我不想拆分网络层为多个输出，我还是不会拆分网络层怎么办，好好的干嘛要把人家拆开就不能不拆嘛．．讨厌，那好把好吧，不拆，那我们就合呗．．(；′⌒`)
谈谈今天的主题，我们为什么要构建多输出模型？为什么？这么说吧，假如有一天你带着你女朋友去逛动物园，逛到豹子的地盘后，你女朋友突然问你:"哎小浩浩(允许我羞涩一分钟．．)，你看这里的猫怎么那么大?我从来没见过这种猫哎(好可爱的女朋友)." 这时候你开始得意的说:"亲，那不是猫，那个叫豹子．"可爱的女朋友又来了:"哦，不是猫呀，那它是公的还是母的?" 天呐，怎么还问这个问题，我哪知道公的母的，怎么办怎么办，突然看到前面有一个卖小吃的地方，你赶紧说:"亲，前面有卖吃的，走我带你吃东西去．" 你女朋友一听到吃的，马上说好呀好呀，这算是躲过一劫(你女朋友可能知道答案，就是故意考考你，你要是不知道，指不定怎么嫌弃你)
为了保证下一次不再出现这种可能有生命危险的事(夸大其词的说)，你决定好好学习，天天..看动物，怎么学习呢？首先你要学会辨别很多动物，然后呢你还要学习怎么辨别动物是公的还是母的，是否具有攻击性啊....也就是学习的每一种动物，都对应着很多属性
同样的，对于模型也是如此，你要构建模型预测多种属性任务，这时候可以考虑构建多个输出的方法,也就是很多模型联合训练，解决多个问题，这样就不用分别训练很多模型了
下面以Unet网络和mobileNet网络为例，构建一个双输入双输出的模型
image.png
然后再构建一个Unet网络，用于检测数据的边缘(代码仅做说明):
image.png
从上面两个网络可以看到，在最后的输出层，我都给它们取了个名字，就是你们看到的
name=""这个啦，为什么呢？后面解释，当然你可以不取名字，后面解释
因为这里两个模型的输入大小不一样，所以他们每个有各自的输入，也就是２个输入，如果输入大小可以一样，那么公用一个输入就好了，两个任务的网络构建完了以后，我们怎么样把他们联合到一起呢？通过keras的Moldel方法实现，下面直接上代码了
image.png
看代码看代码，只需要把两个模型的输入和输出分别组合成列表传入Model里面就好了，是不是很简单呐．．
模型是结构是有了，接下来干嘛呢，就是编译模型了，这里的编译，说通俗点就是分配每个模型学习的方法
image.png
这里展示的例子，我给每个模型分配了不一样的学习方法，而分配的方法，就是通过我上面给网络取的名字分配的(名字的好处，跟人名一样)，
loss_weights里面的两个值0.5,0.3(随机设置的)，表示我想让模型更关注Unet分割的效果(因为0.5>0.3),用文章开头的例子说，就是你在学习动物知识的时候，你更注重学习哪种属性，如果你更注重学习动物的公母，那你就多花点时间学习这个属性
如果没有取名字，你想让模型自己权衡学习，而且你的模型也能够同时使用一种策略学习，那完全就是常规操作：
image.png
希望我把这个方法解释清楚了，23333,为了给大家说清楚为什么需要多输出模型，虽然很简单，但是开头的例子还是让我这只单身汪受到了一万点暴击，哎，容我听首歌，顺便推荐一下歌曲，力宏的<<需要人陪>>
打赏.png
网友评论