一般情况下，利用Keras建立模型，会使用线性模型（Sequential），但是在一些特殊情况下，我们或许会有多个input，这样的话，我们就不会使用线性模型，而使用Keras的Model。
代码语言：txt复制from keras.models import Sequential # 线性模型，我们这次不使用这种
from keras.models import Model # Model可以用来处理多输入和多输出假设我们需要训练这样一个简单的模型：
y = x1 x2
其中输入为x1和x2，输出为y。我们使用一个for循环生成我们需要的数据，生成结束后我们对数据进行打乱处理，因为默认的方法在分离训练集和验证集的时候并不会打乱顺序，如果我们仅仅在数据的前80%进行训练，那后20%模型是无法学习到任何东西的。
代码语言：txt复制def load_data(data_size = 100):
x1 = np.zeros(data_size)
x2 = np.zeros(data_size)
for i in range(data_size):
x1[i] = i
x2[i] = i
y = x1 x2
index = np.arange(data_size)
np.random.shuffle(index)
x1 = x1[index] #使用相同的index，shuffle之后的关系依然是对应的
x2 = x2[index]
y = y[index]
return x1,x2,y接下来我们构建一个简单的模型。简单的使用几层全连层就完成了架构。对Input进行命名不是必须的，但是会比较直观。和线性模型不同的是，我们必须定义每一层的输入和输出，这样才能找到每一层的对应关系。concatenate层链接了x1和x2的输出层，具有合并的作用。最后在定义模型输入的时候，使用数组作为模型的多个输入。
代码语言：txt复制def load_model(x1,x2):
x1in = Input(shape = x1[0].shape, name='in1')
x2in = Input(shape = x2[0].shape, name='in2')
x1out = Dense(256, activation='relu')(x1in)
x1out = Dense(256, activation='relu')(x1out)
x2out = Dense(256, activation='relu')(x2in)
x2out = Dense(256, activation='relu')(x2out)
out = concatenate([x1out, x2out]) #链接层
out = Dense(256, activation='relu')(out)
out = Dense(1)(out)
model = Model(inputs=[x1in,x2in], outputs=out) #使用数组作为inputs
model.compile(optimizer='rmsprop', loss='mse', metrics=['mae'])
return model定义完模型之后就可以开始训练了。我们同时定义了一个学习率改变器，每100个epoch会下降一下学习率，具体的运作原理不在本文讨论之内，目的只是让这个模型跑的效果更好。
代码语言：txt复制def step_decay(epoch):
initial_lrate = 0.001
drop = 0.1
epochs_drop = 100.0
lrate = initial_lrate * math.pow(drop, math.floor((1 epoch)/epochs_drop))
return lrate
def train_model():
x1,x2,y = load_data()
x1 = x1.reshape(x1.shape[0], -1) #把数据reshape成模型可以读取的shape
x2 = x2.reshape(x2.shape[0], -1)
model = load_model(x1, x2)
model.summary()
reduce_lr = LearningRateScheduler(step_decay) #改变学习率
model.([x1,x2], y, epochs=1000, validation_split=0.2, batch_size=10, callbacks=[reduce_lr])
model.save('linear.model')
def main():
train_model()来看一下模型的结构：
代码语言：txt复制__________________________________________________________________________________________________
Layer (type) Output Shape Param # Connected to
==================================================================================================
in1 (InputLayer) (None, 1) 0
__________________________________________________________________________________________________
in2 (InputLayer) (None, 1) 0
__________________________________________________________________________________________________
dense_1 (Dense) (None, 256) 512 in1[0][0]
__________________________________________________________________________________________________
dense_3 (Dense) (None, 256) 512 in2[0][0]
__________________________________________________________________________________________________
dense_2 (Dense) (None, 256) 65792 dense_1[0][0]
__________________________________________________________________________________________________
dense_4 (Dense) (None, 256) 65792 dense_3[0][0]
__________________________________________________________________________________________________
concatenate_1 (Concatenate) (None, 512) 0 dense_2[0][0]
dense_4[0][0]
__________________________________________________________________________________________________
dense_5 (Dense) (None, 256) 131328 concatenate_1[0][0]
__________________________________________________________________________________________________
dense_6 (Dense) (None, 1) 257 dense_5[0][0]
==================================================================================================
Total params: 264,193
Trainable params: 264,193
Non-trainable params: 0
__________________________________________________________________________________________________再来看一下训练的结果：
代码语言：txt复制Epoch 1000/1000
80/80 [==============================] - 0s 308us/step - loss: 4.2059e-06 - mae: 0.0017 - val_loss: 4.2603e-06 - val_mae: 0.0018发现结果非常准确，验证集的loss也非常低。
以上就是Keras多输入模型的例子了，同样Keras也支持多输出，一样举一反三。
