具有多个输出的Keras回归器可以进行训练、评分，但不能进行预测

Question

介绍

我正在使用scikit学习的KerasRegressor包装器和Functional API来创建具有多个输出的模型。我的模型有两个分支：一个预测1个值，另一个同时预测3个值。使用的keras版本是可用的最新版本（win64上的2.3.1）

发行

我遇到的问题如下：我的模型可以通过管道进行训练，我可以得到分数，但我无法预测

# To fit the pipeline, this line runs successfully
pipeline.fit(X_train, [y_train_branch_1, y_train_branch_2])`

# To get the score, it works as well
pipeline.score(X_test, [y_test_branch_1, y_test_branch_2])

# To make predictions however, it doesn't
pipeline.predict(X_test)

最后一行不起作用：

ValueError: could not broadcast input array from shape (11963,3) into shape (11963)

发生在这里：

~\Anaconda3\envs\blades\lib\site-packages\keras\wrappers\scikit_learn.py in predict(self, x, **kwargs)
    320         """
    321         kwargs = self.filter_sk_params(Sequential.predict, kwargs)
--> 322         preds = np.array(self.model.predict(x, **kwargs))
    323         if preds.shape[-1] == 1:
    324             return np.squeeze(preds, axis=-1)

输入形状为：

• X_列车：（47849,4）
• y_-train_-branch_-1:（47849,3）
• y列车分公司2：（47849,1）
• X_检验：（11963,4）
• y_测试_分支_1:（11963,3）
• y_测试_分支_2:（11963，1）

使用.predict时，预测结果（分为两部分）似乎没有正确合并。以前有人遇到过这个问题吗？将模型中的两个输出直接连接起来可能是一种解决方法，但我还是想解决这个问题

谢谢你的帮助

代码

进口

from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from keras.wrappers.scikit_learn import KerasRegressor
from keras.callbacks import EarlyStopping
from keras.callbacks import ModelCheckpoint
from keras import Input, Model
from keras.layers import Dense, Activation, Concatenate
from keras.optimizers import Adam

模型定义

def build_branch_1(inputs):
    x = Dense(12)(inputs)
    x = Activation('elu')(x)
    x = Dense(12)(x)
    x = Activation('elu')(x)
    
    a = Dense(12)(x)
    a = Activation('elu')(a)
    a = Dense(1)(a)
    b = Dense(12)(x)
    b = Activation('elu')(b)
    b = Dense(1)(b)
    c = Dense(12)(x)
    c = Activation('elu')(c)
    c = Dense(1)(c)
    
    x = Concatenate(name='branch_1')([a, b, c])
    return x
    
def build_branch_2(inputs):
    x = Dense(12)(inputs)
    x = Activation('elu')(x)
    x = Dense(12)(x)
    x = Activation('elu')(x)
    x = Dense(12)(x)
    x = Activation('elu')(x)
    x = Dense(1, name='branch_2')(x)
    return x

def build_model():
    inputs = Input(shape=(4,))
    branch_1 = build_branch_1(inputs)
    branch_2 = build_branch_2(inputs)
    
    model = Model(inputs=inputs, outputs=[branch_1, branch_2])
    model.compile(optimizer=Adam(), loss='mse')
    return model

管道定义

pipeline = Pipeline([
    ('stdscaling', StandardScaler()),
    ('model', KerasRegressor(
        build_fn=build_model, 
        batch_size=128,
        epochs=10,
        verbose=2,
        validation_split=.2,
        callbacks=[
            EarlyStopping(monitor='loss', min_delta=.01, patience=250, 
                          restore_best_weights=True),
            ModelCheckpoint(filepath='model/model_' + model_name + '.hdf5', 
                            monitor='val_loss', 
                            save_best_only=True,
                            save_weights_only=False)
        ]
    ))
])