我在使用如下格式的数据集训练一个LSTM模型。变量“Description”是一个文本字段，而“Age”和“Gender”分别是分类和连续字段。

Age, Gender, Description22, M, "purchased a phone"35, F, "shopping for kids"

我使用词嵌入将文本字段转换为词向量，然后输入到Keras模型中。代码如下所示：

model = Sequential()model.add(Embedding(word_index, 300, weights=[embedding_matrix], input_length=70, trainable=False))model.add(LSTM(300, dropout=0.3, recurrent_dropout=0.3))model.add(Dropout(0.6))model.add(Dense(1))model.add(Activation('sigmoid'))model.compile(loss='binary_crossentropy', optimizer='adam', metrics['accuracy'])

这个模型运行得很好，但我还想将“age”和“gender”变量作为特征输入。需要对代码进行哪些修改才能使用这些特征？

回答：

你需要添加更多的输入层，这在Sequential模型中是不可能的，你必须使用功能模型

from keras.models import Model

这允许你拥有多个输入和间接连接。

embed = Embedding(word_index, 300, weights=[embedding_matrix], input_length=70, trainable=False)lstm = LSTM(300, dropout=0.3, recurrent_dropout=0.3)(embed)agei = Input(shape=(1,))conc = Concatenate()(lstm, agei)drop = Dropout(0.6)(conc)dens = Dense(1)(drop)acti = Activation('sigmoid')(dens)model = Model([embed, agei], acti)model.compile(loss='binary_crossentropy', optimizer='adam', metrics['accuracy'])

你不能在LSTM层之前进行连接，因为这没有意义，而且在嵌入层之后你会得到一个3D张量，而输入是一个2D张量。