我正在尝试使用成对样本实现一个神经网络模型。详细信息如下所示：

原始数据：

• 例如，X_org的形状为(100, 50)，即100个样本，每个样本有50个特征。
• Y_org的形状为(100, 1)。

处理这些原始数据以进行实际训练：

从X_org中随机选择两个样本（因此我们有100*99/2种组合）形成一个新的’pairwise’样本，预测目标，即新的y标签，是两个相应y_org标签的差值（Y_org_sample1 – Y_org_sample2）。现在我们有了新的X_train和Y_train。

我需要一个神经网络模型（DNN、CNN、LSTM，无论什么都可以），我可以将X_train中一个成对样本的第一个子样本输入模型并得到一个结果，对第二个子样本进行相同的步骤。通过计算两个结果的差值，我可以得到这个成对样本的预测。这个预测将与Y_train中对应的Y标签进行比较。

总的来说，我需要在输入一个’pairwise’样本（两个连续的子样本）后训练模型（更新权重）。我之所以不选择’双臂’模型（例如通过xxx.sub()合并两个分支），是因为在测试过程中我只会输入一个子样本。最终我只会使用模型来预测一个子样本。

因此，我将在训练步骤中使用X_train中的数据，而在测试步骤中使用类似X_org的数据格式。这看起来有点复杂。

看起来Tensorflow对于这项任务更为可行，如果keras也适用，请分享你的想法。

回答：

你可以首先创建一个模型，该模型只接受一个类似X_org的元素：

#创建一个你喜欢的模型，可以是Functional API或Sequential，没有问题
xOrgModel = createAModelForXOrgData(...)

现在，让我们创建第二个模型，这次必须使用功能API，该模型可以处理两个输入：

from keras.models import Model
from keras.layers import Input, Subtract
input1 = Input(shapeOfInput)
input2 = Input(shapeOfInput)
output1 = xOrgModel(input1)
output2 = xOrgModel(input2)
output = Subtract()([output1,output2])
pairWiseModel = Model([input1,input2],output)

现在你有两个模型：xOrgModel和pairWiseModel。你可以根据当前任务使用其中任何一个。

这两个模型共享它们的权重。这意味着你可以训练其中任何一个，另一个也会被更新。

使用成对模型

首先，将你的数据组织成两个独立的数组。（因为我们的模型使用两个输入）

L = len(X_org)
x1 = []
x2 = []
y = []
for i in range(L):
    for j in range(i+1,L):
        x1.append(X_org[i])
        x2.append(X_org[j])
        y.append(Y_org[i] - Y_org[j])
x1 = np.array(x1)
x2 = np.array(x2)
y = np.array(y)

使用输入列表进行训练和预测：

pairWiseModel.fit([x1,x2],y,...)