在Keras中，是否可以对输入数据进行聚类，然后根据该聚类将数据馈送到不同的子网？

Question

基本上，我想做的是：

• 对输入数据进行一些基本的聚类，例如K-均值。

• 获取输入样本的集群成员资格。

• 为每个群集训练一个单独的深度神经网络子模型。

下面是该想法的基本示意图。

是否可以通过使用单个keras模型来做到这一点？

我尝试使用sklearn KMeans将输入数据分离到集群中，然后在每个集群上训练一个单独的Keras模型，但是这种方法使以后很难计算测试误差，因为我必须获得测试每个群集的错误，然后手动计算总体错误。

Answer 1

我认为问题在于您将数据分为三个组，并希望使用模型来学习每个组的不同分布。我有一些粗略的想法。

1. 您可以将聚类索引作为每个组的标签，并同时适合此标签和您的原始目标。喜欢：

   output1 =密集（cluster_numbers，activation ='softmax'）[x）

   output2 =密集（output_dimensions，activation ='softmax'）（x）

2. 或者，如果您的数据是根据原始目标进行聚类的，并且它们是互斥的，那么您还可以使用一系列参数层来输出结果。但是，这将使您的模型非常庞大。喜欢：

   output = [簇编号中_的密集（output_dimensions，激活='softmax'）（x）]