Jak połączyć dwie warstwy w Keras?

Mam przykład sieci neuronowej z dwiema warstwami. Pierwsza warstwa przyjmuje dwa argumenty i ma jedno wyjście. Drugi powinien przyjąć jeden argument jako wynik pierwszej warstwy i jeden dodatkowy argument. Powinien wyglądać tak:

x1  x2  x3
 \  /   /
  y1   /
   \  /
    y2

Utworzyłem więc model z dwiema warstwami i próbowałem je scalić, ale zwraca błąd: The first layer in a Sequential model must get an "input_shape" or "batch_input_shape" argument.na linii result.add(merged).

Model:

first = Sequential()
first.add(Dense(1, input_shape=(2,), activation='sigmoid'))

second = Sequential()
second.add(Dense(1, input_shape=(1,), activation='sigmoid'))

result = Sequential()
merged = Concatenate([first, second])
ada_grad = Adagrad(lr=0.1, epsilon=1e-08, decay=0.0)
result.add(merged)
result.compile(optimizer=ada_grad, loss=_loss_tensor, metrics=['accuracy'])

Otrzymujesz błąd, ponieważ resultzdefiniowano jako Sequential()tylko kontener dla modelu i nie zdefiniowano dla niego danych wejściowych.

Biorąc pod uwagę to, co próbujesz zbudować, ustaw resulttrzeci sygnał wejściowy x3.

first = Sequential()
first.add(Dense(1, input_shape=(2,), activation='sigmoid'))

second = Sequential()
second.add(Dense(1, input_shape=(1,), activation='sigmoid'))

third = Sequential()
# of course you must provide the input to result which will be your x3
third.add(Dense(1, input_shape=(1,), activation='sigmoid'))

# lets say you add a few more layers to first and second.
# concatenate them
merged = Concatenate([first, second])

# then concatenate the two outputs

result = Concatenate([merged,  third])

ada_grad = Adagrad(lr=0.1, epsilon=1e-08, decay=0.0)

result.compile(optimizer=ada_grad, loss='binary_crossentropy',
               metrics=['accuracy'])

Jednak moim preferowanym sposobem budowania modelu, który ma tego typu strukturę wejściową, byłoby użycie funkcjonalnego interfejsu API .

Oto implementacja twoich wymagań na początek:

from keras.models import Model
from keras.layers import Concatenate, Dense, LSTM, Input, concatenate
from keras.optimizers import Adagrad

first_input = Input(shape=(2, ))
first_dense = Dense(1, )(first_input)

second_input = Input(shape=(2, ))
second_dense = Dense(1, )(second_input)

merge_one = concatenate([first_dense, second_dense])

third_input = Input(shape=(1, ))
merge_two = concatenate([merge_one, third_input])

model = Model(inputs=[first_input, second_input, third_input], outputs=merge_two)
ada_grad = Adagrad(lr=0.1, epsilon=1e-08, decay=0.0)
model.compile(optimizer=ada_grad, loss='binary_crossentropy',
               metrics=['accuracy'])

Aby odpowiedzieć na pytanie w komentarzach:

1. W jaki sposób wynik i scalone są połączone? Zakładając, że masz na myśli, w jaki sposób są one połączone.

Konkatenacja działa w ten sposób:

  a        b         c
a b c   g h i    a b c g h i
d e f   j k l    d e f j k l

tzn. rzędy są właśnie połączone.

2. Teraz x1jest dane wejściowe do pierwszego, x2do drugiego i x3do trzeciego.

Dodanie do powyższej zaakceptowanej odpowiedzi, aby pomóc tym, którzy używają tensorflow 2.0

import tensorflow as tf

# some data
c1 = tf.constant([[1, 1, 1], [2, 2, 2]], dtype=tf.float32)
c2 = tf.constant([[2, 2, 2], [3, 3, 3]], dtype=tf.float32)
c3 = tf.constant([[3, 3, 3], [4, 4, 4]], dtype=tf.float32)

# bake layers x1, x2, x3
x1 = tf.keras.layers.Dense(10)(c1)
x2 = tf.keras.layers.Dense(10)(c2)
x3 = tf.keras.layers.Dense(10)(c3)

# merged layer y1
y1 = tf.keras.layers.Concatenate(axis=1)([x1, x2])

# merged layer y2
y2 = tf.keras.layers.Concatenate(axis=1)([y1, x3])

# print info
print("-"*30)
print("x1", x1.shape, "x2", x2.shape, "x3", x3.shape)
print("y1", y1.shape)
print("y2", y2.shape)
print("-"*30)

Wynik:

------------------------------
x1 (2, 10) x2 (2, 10) x3 (2, 10)
y1 (2, 20)
y2 (2, 30)
------------------------------

Możesz eksperymentować z model.summary()(zwróć uwagę na rozmiar warstwy concatenate_XX (Concatenate))

# merge samples, two input must be same shape
inp1 = Input(shape=(10,32))
inp2 = Input(shape=(10,32))
cc1 = concatenate([inp1, inp2],axis=0) # Merge data must same row column
output = Dense(30, activation='relu')(cc1)
model = Model(inputs=[inp1, inp2], outputs=output)
model.summary()

# merge row must same column size
inp1 = Input(shape=(20,10))
inp2 = Input(shape=(32,10))
cc1 = concatenate([inp1, inp2],axis=1)
output = Dense(30, activation='relu')(cc1)
model = Model(inputs=[inp1, inp2], outputs=output)
model.summary()

# merge column must same row size
inp1 = Input(shape=(10,20))
inp2 = Input(shape=(10,32))
cc1 = concatenate([inp1, inp2],axis=1)
output = Dense(30, activation='relu')(cc1)
model = Model(inputs=[inp1, inp2], outputs=output)
model.summary()

Szczegółowe informacje można znaleźć tutaj: https://nbviewer.jupyter.org/github/anhhh11/DeepLearning/blob/master/Concanate_two_layer_keras.ipynb