延迟加载混合序列使用Keras序列，重点是多任务模型。
keras-mixed-sequence的Python项目详细描述
使用Keras序列延迟加载混合序列， 专注于多任务模型。在
如何安装此软件包？在
像往常一样，只需使用pip下载：
pip install keras_mixed_sequence
测试覆盖率
因为有些软件处理的覆盖率有时 稍有不同的结果，这里有三个结果：
使用示例
传统单任务模型示例
首先，让我们创建一个简单的单任务模型：
^{pr2}$然后我们继续加载或创建训练数据。 这里将列出未来的一些风俗习惯 对为此目的而创建的对象进行排序 和这个图书馆一起使用。在
X=either_a_numpy_array_or_sequence_for_inputy=either_a_numpy_array_or_sequence_for_output
现在我们使用混合序列组合训练数据 对象。在
fromkeras_mixed_sequenceimportMixedSequencesequence=MixedSequence(X,y,batch_size=batch_size)
最后，我们可以训练模型：
frommultiprocessingimportcpu_countmodel.fit_generator(sequence,steps_per_epoch=sequence.steps_per_epoch,epochs=2,verbose=0,use_multiprocessing=True,workers=cpu_count(),shuffle=True)
多任务模型示例
首先，让我们创建一个简单的multi-taks模型：
fromtensorflow.keras.modelsimportModelfromtensorflow.keras.layersimportDense,Inputinputs=Input(shape=(10,))output1=Dense(units=10,activation="relu",name="output1")(inputs)output2=Dense(units=10,activation="relu",name="output2")(inputs)model=Model(inputs=inputs,outputs=[output1,output2],name="my_model")model.compile(optimizer="nadam",loss="MSE")
然后我们继续加载或创建训练数据。 这里将列出未来的一些风俗习惯 对为此目的而创建的对象进行排序 和这个图书馆一起使用。在
X=either_a_numpy_array_or_sequence_for_inputy1=either_a_numpy_array_or_sequence_for_output1y2=either_a_numpy_array_or_sequence_for_output2
现在我们使用混合序列组合训练数据 对象。在
fromkeras_mixed_sequenceimportMixedSequencesequence=MixedSequence(x=X,y={"output1":y1,"output2":y2},batch_size=batch_size)
最后，我们可以训练模型：
frommultiprocessingimportcpu_countmodel.fit_generator(sequence,steps_per_epoch=sequence.steps_per_epoch,epochs=2,verbose=0,use_multiprocessing=True,workers=cpu_count(),shuffle=True)
- 项目
标签：
欢迎加入QQ群-->： 979659372
