Question

对于每个事件/样本，我都有一组值x1，x2，y1，y2，z，k。我有2个神经网络，我想接受两个阶段的训练。第一个神经网络将x1，x2作为输入和输出z。第二个神经网络以y1，y2作为输入和输出k。

第一阶段：分别训练输入为x1，x2的第一个神经网络以输出z和输入为y1，y2的第二个神经网络以输出k。

第二阶段：在这里，我准备放开z和k，并且正在寻找一个介于z和k之间的值h。因此，在此阶段，我想训练两个神经网络以最小化它们的输出之间的差异（即，对于每个时期，在NN2的输出上训练NN1，在NN1的输出上训练NN2。更新每个神经网络的权重和偏差。然后，使用新的权重和偏差为每一个计算新的输出，然后经历另一个时期，以NN2的新输出训练NN1，并以NN1的新输出训练NN2）

什么机器学习软件包允许我这样做。我熟悉Keras（带有TensorFlow后端）。在Keras可能吗？如果没有，在TensorFlow中可以吗？

谢谢

Answer 1

假设两个模型分别为model1和model2。

让我们创建一个计算其输出之间差异的层：

from keras.layers import Lambda

difference = Lambda(lambda x: x[0] - x[1])([model1.output, model2.output])

然后，让我们建立一个输出差异的模型。

#if your models have one input each, (if x1 and x2 are elements in the input array)
diffModel = Model([model1.input, model2.input], difference)

#if your models have two inputs (if x1 and x2 are two input tensors)    
diffModel = Model(model1.inputs + model2.inputs, difference)

让我们编译此模型，选择一个损失以将差异与0进行比较：

diffModel.compile(optimizer = 'adam', loss='mse')

让我们训练它的输出为零：

#if models with one input:
diffModel.fit([x,y], np.zeros(shape))

#if models with two inputs:
diffModel.fit([x1,x2,y1,y2], np.zeros(shape))

如何同时训练两个神经网络以最小化它们之间的输出差异？

1 个答案: