我想知道在Keras中是否可以使用以下模型，或者是否需要下拉到张量流。
想象一下一个大型的未标记数据集，以及一个（可能很多）较小的标记数据。
直觉是同时针对两个目标进行训练：标记数据的分类准确性和未标记数据的分类置信度。
这个想法是像往常一样将所有数据（带标签的和未带标签的）转发到最终的softmax层。
然后，将批次分为两组：标记的示例和未标记的示例。
对于标记的数据，按照惯例计算误差/损失，例如交叉熵。 对于未标记的数据，我们选择分类分布离散的一些函数。一个非常基本的值是（平均值）1减去示例的max（prob）。
现在，将两个“误差”（熵和色散）相加（取决于加权超参数），该值是在梯度下降时要最小化的值。
换句话说，色散因子可作为拟合过程的一种正则化器。
我猜想实现此Keras会涉及到自定义损失函数，但是我不确定要拆分批次，将子集与目标匹配等等。非常欢迎任何想法。
答案 0 :(得分：0)
在这里您可以在keras中找到半监督模型的示例：http://bjlkeng.github.io/posts/semi-supervised-learning-with-variational-autoencoders/
他所做的是创建两个共享图层的模型。一个模型将标记的数据作为输入，另一个模型将未标记的数据作为输入。
使用分批训练并交替标记的数据和未标记的数据来完成训练。