机器学习实战：基于Scikit-Learn、Keras 和TensorFlow （原书第2 版）

Keras

人工神经网络简介

｜

277

添加额外的输出非常容易：只需将它们连接到适当的层，然后将它们添加到模型的输出

列表中即可。例如，以下代码构建了如图 10-16 所示的网络：

[...] #

Same as above, up to the main output layer

output = keras.layers.Dense(1, name="main_output")(concat)

aux_output = keras.layers.Dense(1, name="aux_output")(hidden2)

model = keras.Model(inputs=[input_A, input_B], outputs=[output, aux_output])

每个输出都需要自己的损失函数。因此当我们编译模型时，应该传递一系列损失

注 20

（如

果传递单个损失，Keras 将假定所有输出必须使用相同的损失）。默认情况下，Keras 将

计算所有这些损失，并将它们简单累加即可得到用于训练的最终损失。我们更关心主要

输出而不是辅助输出（因为它仅用于正则化），因此我们要给主要输出的损失更大的权

重。幸运的是，可以在编译模型时设置所有的损失权重：

1

model.compile(loss=["mse", "mse"], loss_weights=[0.9, 0.1], optimizer="sgd")

现在当训练模型时，需要为每个输出提供标签。在此示例中，主要输出和辅助输出应预

测出相同的结果，因此它们应使用相同的标签 ...