Keras回归多个输出

Question

一个问题关于与多个输出keras回归：

你能解释一下beteween这个网的区别：

两个输入 - >两个输出

input = Input(shape=(2,), name='bla') 
hidden = Dense(hidden, activation='tanh', name='bla')(input) 
output = Dense(2, activation='tanh', name='bla')(hidden) 

和：两个单输入 - >两个单输出：

input = Input(shape=(2,), name='speed_input') 
hidden = Dense(hidden_dim, activation='tanh', name='hidden')(input) 
output = Dense(1, activation='tanh', name='bla')(hidden) 

input_2 = Input(shape=(1,), name='angle_input') 
hidden_2 = Dense(hidden_dim, activation='tanh', name='hidden')(input_2) 
output_2 = Dense(1, activation='tanh', name='bla')(hidden_2) 

model = Model(inputs=[speed_input, angle_input], outputs=[speed_output, angle_output]) 

它们的行为非常相似。其他时候，我完全把它们分开，那么这两个网就像他们应该做的那样。

这是正常的，两个单输出网的行为比两个输出的更大的一个更容易理解，我不认为差异可能是巨大的，就像我经历过的。

非常感谢:)

Answer 1

这可以追溯到神经网络如何操作。在你的第一个模型中，每个隐藏的神经元接收2个输入值（因为它是一个'密集'层，输入传播到每个神经元）。在您的第二个模型中，您的神经元数量是其的两倍，但其中每个只接收speed_input或angle_input，并且仅适用于该数据而不是整个数据。因此，如果speed_input和angle_input是2个完全不相关的属性，那么您可能会看到分裂2个模型的更好性能，因为神经元没有接收基本上是噪声输入的内容（他们不知道您的输出是否对应到您的输入，他们只能尝试优化您的损失功能）。基本上，你正在创建2个独立的模型。

但是在大多数情况下，您想要提供组合在一起绘制预测的模型相关属性。因此，拆分模型是没有意义的，因为你只是剥离了必要的信息。