在搭建神经网络模型进行训练时，如果你有多个输入特征（如多个 X_train 数据），可以将它们组织成一个字典并传递给 model.fit。下面是一个示例代码，展示如何在字典中提供多个 X_train 数据：
示例代码
假设你有两个输入特征 X_train1 和 X_train2，以及对应的验证集 X_val1 和 X_val2：
import numpy as np
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Input, Dense, Concatenate
from tensorflow.keras.callbacks import EarlyStopping
# 示例数据
num_samples = 1000
num_features1 = 500
num_features2 = 50
X_train1 = np.random.rand(num_samples, num_features1)
X_train2 = np.random.rand(num_samples, num_features2)
y_train = np.random.rand(num_samples)
X_val1 = np.random.rand(200, num_features1)
X_val2 = np.random.rand(200, num_features2)
y_val = np.random.rand(200)
# 定义神经网络输入
input1 = Input(shape=(num_features1,), name='input1')
input2 = Input(shape=(num_features2,), name='input2')
# 定义每个输入的隐藏层
x1 = Dense(128, activation='relu')(input1)
x2 = Dense(128, activation='relu')(input2)
# 连接隐藏层
merged = Concatenate()([x1, x2])
# 添加全连接层
x = Dense(128, activation='relu')(merged)
x = Dense(64, activation='relu')(x)
output = Dense(1, activation='linear')(x)
# 定义模型
model = Model(inputs=[input1, input2], outputs=output)
# 编译模型
model.compile(optimizer='adam', loss='mean_squared_error')
# 定义早期停止回调
early_stopping = EarlyStopping(monitor='val_loss', patience=10)
# 训练模型
history = model.fit(
{'input1': X_train1, 'input2': X_train2}, # 多个输入特征以字典形式提供
y_train,
validation_data=({'input1': X_val1, 'input2': X_val2}, y_val), # 验证集也以字典形式提供
batch_size=256,
epochs=200,
callbacks=[early_stopping],
verbose=1
)
# 模型训练完成后，可以查看训练历史
print(history.history)
说明
-
输入层：我们为每个输入特征定义了一个
Input层。 - 隐藏层：每个输入特征都有自己的隐藏层。
-
连接层：通过
Concatenate层将不同输入特征的隐藏层连接起来。 - 输出层：最终的输出层用于预测目标变量。
-
编译模型：使用
Adam优化器和均方误差（MSE）作为损失函数进行编译。 -
早期停止回调：定义了一个
EarlyStopping回调，以防止过拟合。 -
训练模型：在
model.fit中，我们以字典形式提供多个输入特征和验证数据。
这种方法可以灵活地处理多个输入特征的数据，在进行训练时将它们传递给模型。
