对多输出 Keras 模型中的每个输出使用不同的样本权重

我的输入数组是image_array，包含 10000 张大小为 512x512、4 个通道的图像的数据。 IE。image_array.shape = (10000, 512, 512, 4)。每张图像都有一个相关的指标，我想训练 CNN 来为我进行预测。因此metric_array.shape = (10000)。由于我不希望网络偏向更频繁出现的指标值，因此我有一个加权数组，其中包含指标的每个值的权重。因此weightArray.shape = (10000).

我正在使用 Keras。这是我的顺序模型：

model = Sequential()
model.add(Conv2D(32, use_bias=True, kernel_size=(3,3), strides=(1, 1), activation='relu', input_shape=(512,512,4))
model.add(BatchNormalization())
model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))
model.add(Conv2D(64, use_bias=True, kernel_size=(3,3), strides=(1, 1), activation='relu'))
model.add(BatchNormalization())
model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))
model.add(Conv2D(128, use_bias=True, kernel_size=(3,3), strides=(1, 1), activation='relu'))
model.add(BatchNormalization())
model.add(Flatten())
model.add(Dense(32))
model.add(Activation('relu'))
model.add(BatchNormalization())
model.add(Dense(1, activation=relu_max))

我想使用均方误差损失函数和随机梯度下降优化器。我编译我的模型：

model.compile(loss='mean_squared_error', optimizer=optimizers.SGD(lr=0.01))

我将数据集分为训练和验证：

X_train, X_validate, Y_train, Y_validate, W_train, W_validate \
= train_test_split(image_array, metric_array, weightArray, test_size=0.3)

最后训练模型：

model.fit(X_train, Y_train, epochs=100, batch_size = 32, \
           validation_data=(X_validate,Y_validate), sample_weight=W_train)

以上所有工作。现在，我想做的是使用 2 个指标而不是 1 个。我对每个图像都有一个 metric1 值和一个 metric2 值。 metric1 和 metric2 的每个值都有一个关联的权重。因此

metric_array1.shape = metric_array2.shape = weightArray1.shape = weightArray2.shape = (10000)

然后，我的网络将有两个输出节点，每个节点对应一个指标。

我尝试将上面的最后一层更改为：

model.add(Dense(2, activation=relu_max))

然后，我将度量和权重数据组合成一个 metric_array 和一个元组的weightArray，形状为 (10000, 2)。 这让我发现顺序模型是为单个输出而设计的，因此我应该使用函数模型。

我读过一些文档，看起来相当复杂。我尝试使用上面的模型（但最后一层有 2 个节点），然后执行

from keras.models import Model
new_model = Model(model)

但当我尝试编译它时它不喜欢它，因为模型没有选项.add.

有没有一种简单的方法来修改我已经拥有的东西以获得我的新目的？我真的很感激任何指导。

首先我们先澄清一个误区：

如果你的模型有one输出输入layer那么你可以使用 Sequential API 来构建你的模型，无论神经元数量在输出层和输入层。另一方面，如果你的模型有multiple输出输入layers，那么您必须使用功能 API 来定义您的模型（无论输入/输出层可能有多少个神经元）。

现在，您已经声明您的模型有两个输出值，并且对于每个输出值，您想要使用不同的样本权重。为了能够做到这一点，您的模型必须具有两个输出层，然后您可以设置sample_weight参数作为字典，包含对应于两个输出层的两个权重数组。

为了更清楚地说明这一点，请考虑这个虚拟示例：

from keras import layers
from keras import models 
import numpy as np

inp = layers.Input(shape=(5,))
# assign names to output layers for more clarity
out1 = layers.Dense(1, name='out1')(inp)
out2 = layers.Dense(1, name='out2')(inp)

model = models.Model(inp, [out1, out2])
model.compile(loss='mse',
              optimizer='adam')

# create some dummy training data as well as sample weight
n_samples = 100
X = np.random.rand(n_samples, 5)
y1 = np.random.rand(n_samples,1)
y2 = np.random.rand(n_samples,1)

w1 = np.random.rand(n_samples,)
w2 = np.random.rand(n_samples,)

model.fit(X, [y1, y2], epochs=5, batch_size=16, sample_weight={'out1': w1, 'out2': w2})