Question

给出以下代码：

input<-layer_input(shape=2)
hidden<-layer_dense(input,units=4,activation="sigmoid",use_bias=T)
outputs<- list(
  layer_dense(hidden,units=1,activation="linear",use_bias=F),
  layer_dense(hidden,units=1,activation="linear",use_bias=F)
)
model<-keras_model(inputs=input, outputs=outputs)
summary(model)

摘要调用的输出如下：

Model
Model: "model_63"
____________________________________________________________________________________________________________________________________________________
Layer (type)                                    Output Shape                     Param #           Connected to                                     
====================================================================================================================================================
input_63 (InputLayer)                           [(None, 2)]                      0                                                                  
____________________________________________________________________________________________________________________________________________________
dense_85 (Dense)                                (None, 4)                        12                input_63[0][0]                                   
____________________________________________________________________________________________________________________________________________________
dense_86 (Dense)                                (None, 1)                        4                 dense_85[0][0]                                   
____________________________________________________________________________________________________________________________________________________
dense_87 (Dense)                                (None, 1)                        4                 dense_85[0][0]                                   
====================================================================================================================================================
Total params: 20
Trainable params: 20
Non-trainable params: 0

以某种方式（此处未显示）网络无法正常运行。我怀疑该体系结构有问题。我想要的是一个具有两个输入神经元，4个隐藏神经元和2个线性输出神经元的网络。关联列中括号内的数字是什么意思？

Answer 1

您设计的模型完全符合您在此处描述的内容。连接到表示当前层连接到的上一层，在您的情况下，density_85 [0] [0]表示所有4个先前的神经元，但不是它们的偏差-应该如此。 density_85有两个部分； [0]是8个参数的图层，每个输入要素4个，然后[1]将是4个参数，表示它们的偏差-激活功能之前的衬线添加。

将最后一层分成两部分实际上具有零影响。为什么？因为您创建了4个权重，所以对于上一层中的每个神经元，权重为1； 4 x 1 x 2 －完全一样，如果您一次创建8个权重-每个输出1个权重-4 x2。即使加上偏差也是如此。当您要继续进行一些复杂的图层，或者每个图层具有不同的复杂损失函数时，中断输出会起作用。

要进行可视化，请尝试使用deepviz::plot_model，它的绘制非常好，您可以更轻松地查看模型的功能。另外，如果您想增加模型容量，我建议增加层大小或也许增加额外的层。

如何解释具有多个输出的Keras模型的摘要？

1 个答案: