Я создаю модель с несколькими входами, в которой я объединяю модель CNN и модель LSTM. Модель lstm содержит последние 5 событий, а CNN содержит изображение последнего события. Оба организованы так, что каждый элемент k в numpy соответствует 5 событиям и соответствующему изображению, как и выходные метки, которые являются «следующим» событием, которое должно быть предсказано моделью.
chanDim = -1
inputs = Input(shape=inputShape)
x = inputs
x = Dense(128)(x)
x = Activation("relu")(x)
x = BatchNormalization(axis=chanDim)(x)
x = Dropout(0.3)(x)
x = Flatten()(x)
x = Activation("relu")(x)
x = BatchNormalization(axis=chanDim)(x)
x = Dropout(0.1)(x)
x = Activation("relu")(x)
model_cnn = Model(inputs, x)
Это создает модель CNN, а следующий код представляет модель LSTM.
hidden1 = LSTM(128)(visible)
hidden2 = Dense(64, activation='relu')(hidden1)
output = Dense(10, activation='relu')(hidden2)
model_lstm = Model(inputs=visible, outputs=output)
Теперь, когда я комбинирую эти модели и расширяю их, используя простой плотный слой, чтобы сделать мультиклассовое прогнозирование 14 классов, все входные данные совпадают, и я могу объединить (нет, 10) и (нет, 10) в (нет, 20). ) для МЛП:
x = Dense(14, activation="softmax")(x)
model_mlp = Model(inputs=[model_lstm.input, model_cnn.input], outputs=x)
Все это работает нормально, пока я не попытаюсь скомпилировать модель, она выдает ошибку, связанную с вводом последнего плотного слоя модели mlp:
ValueError: Ошибка при проверке цели: ожидалось, что плотности_121 будут иметь форму (14,), но получен массив с формой (1,)
Вы знаете, как это возможно? Если вам нужна дополнительная информация, я буду рад предоставить ее
