1、多輸出模型

使用keras函數(shù)式API構(gòu)建網(wǎng)絡(luò)：

# 輸入層
inputs = tf.keras.layers.Input(shape=(64,64,3))

# 卷積層及全連接層等相關(guān)層
x = tf.keras.layers.Dense(256, activation=tf.nn.relu)(inputs)

# 多輸出，定義兩個輸出，指定名字標識
fc_a=tf.keras.layers.Dense(name='fc_a',units=CLASS_NUM,activation=tf.nn.softmax)(x)
fc_b=tf.keras.layers.Dense(name='fc_b',units=CLASS_NUM,activation=tf.nn.softmax)(x)
# 單輸入多輸出
model = tf.keras.Model(inputs=inputs, outputs=[fc_a, fc_b])

# 目標函數(shù)定義，需與輸出層名字對應(yīng)
losses = {'fc_a': 'categorical_crossentropy',
          'fc_b': 'categorical_crossentropy'}

model.compile(optimizer=tf.train.AdamOptimizer(),
                loss=losses,
                metrics=['accuracy'])

2、自定義loss函數(shù)

def loss_a(y_true, y_pred):
    return tf.keras.losses.categorical_crossentropy(y_true, y_pred)

def loss_b(y_true, y_pred):
    return tf.keras.losses.meas_squared_error(y_true, y_pred)

losses = {'fc_a': loss_a,
          'fc_b': loss_b}

model.compile(optimizer=tf.train.AdamOptimizer(),
                loss=losses,
                metrics=['accuracy'])

3、批量訓(xùn)練

# data_generator返回的標簽形式要是與多輸出的數(shù)量對應(yīng)的數(shù)組
def data_generator(sample_num, batch_size):
    while True:
        max_num = sample_num - (sample_num % batch_size)
        for i in range(0, max_num, batch_size):
            ...
            yield (batch_x, [batch_a, batch_b])

model.fit_generator(generator=data_generator(sample_num, batch_size),
                    steps_per_epoch=sample_num//batch_size,
                    epoches=EPOCHES,
                    verbose=1)

4、調(diào)試

在自定義的loss函數(shù)中，是以Sequence的方式來輸入的，如果想調(diào)試查看loss的計算過程中的輸出，直接print是無法打印值的，這是因為tensorflow的每次op都要以sess為基礎(chǔ)來啟動，如果想調(diào)試，可以用eager_execution模式：

import tensorflow.contrib.eager as tfe
tfe.enable_eager_execution()
np.set_printoptions(threshold=np.nan) # 輸出所有元素