我想对一个具有多个输入的Keras模型进行交叉验证。因此，我尝试了KerasClassifier。这对于只有一个输入的普通顺序模型来说运行良好。然而，当使用函数式API并扩展到两个输入时，sklearn的cross_val_predict似乎无法按预期工作。
def create_model(): input_text = Input(shape=(1,), dtype=tf.string) embedding = Lambda(UniversalEmbedding, output_shape=(512, ))(input_text) dense = Dense(256, activation='relu')(embedding) input_title = Input(shape=(1,), dtype=tf.string) embedding_title = Lambda(UniversalEmbedding, output_shape=(512, ))(input_title) dense_title = Dense(256, activation='relu')(embedding_title) out = Concatenate()([dense, dense_title]) pred = Dense(2, activation='softmax')(out) model = Model(inputs=[input_text, input_title], outputs=pred) model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) return model失败的交叉验证代码
keras_classifier = KerasClassifier(build_fn=create_model, epochs=10, batch_size=10, verbose=1)cv = StratifiedKFold(n_splits=10, random_state=0)results = cross_val_predict(keras_classifier, [X1, X2], y, cv=cv, method = "predict_proba")后来，我发现KerasClassifier仅支持顺序模型：https://keras.io/scikit-learn-api/。换句话说，它不支持具有多个输入的函数式API。
因此，我想知道是否有其他方法可以对使用Keras函数式API的模型进行交叉验证。更具体地说，我希望获得每个数据实例的预测概率（当它在交叉验证中的测试切片时） – 这正是cross_val_predict所做的。
如果需要，我很乐意提供更多细节。
编辑：我当前的问题是如何将多个输入输入到StratifiedKFold.split()。我在代码中放了????????????。只是在想是否可以将其作为[input1, input2, input3, input4, input5]提供
假设，我有5个输入作为input1，input2，input3，input4，input5，我如何在StratifiedKFold.split()中使用这些输入
k_fold = StratifiedKFold(n_splits=10, shuffle=True, random_state=0)for train_index, test_index in k_fold.split(????????????, labels): print("iteration", i, ":") print("train indices:", train_index) #input1 print("train data:", input1[train_index]) #input2 print("train data:", input2[train_index]) #input3 print("train data:", input3[train_index]) #input4 print("train data:", input1[train_index]) #input5 print("train data:", input1[train_index]) print("test indices:", test_index) print("test data:", X[test_index])回答：
有趣的是，sklearn仅支持Sequential，但看你的模型，我认为你可以有一个单一的输入，因为它们共享嵌入等：
def create_model(): model = Sequential() model.add(Lambda(UniversalEmbedding, output_shape=(2, 512), input_shape=(2,))) # (2, 512) model.add(Flatten()) # (2*512) model.add(Dense(2*256, activation='relu')) # (2*256) model.add(Dense(2, activation='softmax')) model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) return model换句话说，你有两个相同领域的输入，以相同的方式嵌入，所以你可以使用大小为2的单一输入。然后，为了模拟两个密集层，你可以展平并使用一个大小是两倍的单一Dense层 🙂 这将你带到连接层，从那里开始模型是相同的。
