Вы можете использовать ImageDataGenerator как обычно. Вам нужно будет использовать функциональный API Keras. Давайте посмотрим на этот пример, в котором мы будем использовать трансферное обучение, но я сохраню ту же конечную структуру, что и ваша сеть.
base_model = MobileNetV2(weights='imagenet', include_top=False, input_shape=(400,400,3))
x = base_model.output
x = GlobalAveragePooling2D()(x)
x = Flatten(x)
x1 = Dense(1024, activation='relu')(x)
output1 = Dense(20,activation='softmax', name='toutput')(x1)
y = Dense(512, activation='relu')(x)
y = Dense(512, activation='relu')(y)
output2 = Dense(2,activation='softmax', name='r_output')(y)
output3 = Dense(4, activation='sigmoid', name='ri_output')(y)
output4 = Dense(12, activation='softmax', name='li_output')(y)
Теперь сеть имеет 4 выхода, как на вашей картинке. Теперь мы можем скомпилировать и дать каждому выходу собственную функцию потерь. Мы можем ссылаться на каждый вывод по его «имени».
optimizer = Adam(learning_rate=.0001)
losses = {
'toutput': 'categorical_crossentropy',
'r_output': "mean_absolute_error",
'ri_output': "mean_absolute_error",
'li_output': "mean_squared_error",
}
Если вам нужны конкретные показатели, вы можете:
model.compile(optimizer=optimizer, loss=losses, metrics={'toutput':'accuracy', ...)
person
theastronomist
schedule
24.08.2020