我对机器学习还比较新手，目前正在开发一个“汽车估值预测器”应用。我卡在了将数据输入模型的步骤。我有4个输入：
- date：汽车首次注册日期（整数）
- km：汽车行驶里程（整数）
- consume：汽车的燃料类型（使用10个元素的独热编码向量表示，例如汽油车：[1 0 0 0 0 0 0 0 0 0]）
- type：汽车的类型（例如：“BMW-320”，使用440个元素的独热编码向量存储）
以及一个输出：
- 汽车的价格。
我想做类似于这个的东西：https://i.sstatic.net/MpYRo.jpg
我尝试了以下代码，虽然它可以编译，但输出结果不是我想要的：
model = Sequential([Dense(128, input_shape=(1,), activation='relu', name='date'),Dense(128, input_shape=(1,), activation='relu', name='km'),Dense(128, input_shape=(10,), activation='relu', name='consume'),Dense(128, input_shape=(440,), activation='relu', name='type'),Dropout(0.5),Dense(128, activation='relu'),Dropout(0.5),Dense(1, activation='linear') ])model.compile(loss='mse', optimizer='adam')model.fit( x = {'date' : samples_train['input'][:,0], 'km' : samples_train['input'][:,1], 'consume':samples_train['input'][:,2], 'type':samples_train['input'][:,3]}, y = samples_train['output'], epochs=1000, batch_size=16, verbose=1, validation_data = ({'date' : samples_valid['input'][:,0], 'km' : samples_valid['input'][:,1], 'consume':samples_valid['input'][:,2], 'type':samples_valid['input'][:,3]}, samples_valid['output']), callbacks=callbacks)能有人指出我哪里做错了，或者如何实现图片中那样的模型“结构”吗？
编辑：
我想这就是我想要的。有人能确认一下吗？:)
input_1 = Input(shape=(1,), name='date') # 输入层input_2 = Input(shape=(1,), name='km')input_3 = Input(shape=(10,), name='consume')input_4 = Input(shape=(440,), name='type')dense_1 = Dense(256, activation='relu')(input_1) # 隐藏层dense_1 = Dense(256, activation='relu')(input_2)dense_1 = Dense(256, activation='relu')(input_3)dense_1 = Dense(256, activation='relu')(input_4)dropout_1 = Dropout(0.5)(dense_1)dense_2 = Dense(256, activation='relu')(dropout_1)dropout_2 = Dropout(0.5)(dense_2)outputs = Dense(1, activation='linear')(dropout_2) # 输出层model = Model([input_1,input_2,input_3,input_4], outputs)提前感谢。
回答：
我认为你的第二次实现是错误的。
通过这种实现方式，dense_1 将只保留你在最后一行赋予的值：input_4 = Input(shape=(440,), name='type')，因此不会考虑到网络其余部分的其他输入。
你应该在将输入馈送到第一个密集层之前将它们连接成一行，像这样：
from keras.layers import Concatenateinput_1 = Input(shape=(1,), name='date') # 输入层input_2 = Input(shape=(1,), name='km')input_3 = Input(shape=(10,), name='consume')input_4 = Input(shape=(440,), name='type')x = Concatenate()([input_1 , input_2 , input_3 , input_4]) # 输入的连接dense_1 = Dense(256, activation='relu')(x) # 隐藏层dropout_1 = Dropout(0.5)(dense_1)dense_2 = Dense(256, activation='relu')(dropout_1)dropout_2 = Dropout(0.5)(dense_2)outputs = Dense(1, activation='linear')(dropout_2) # 输出层model = Model([input_1,input_2,input_3,input_4], outputs)
