利用tensorflow或keras通过“成对”样本建立神经网络模型

Question

我尝试用成对样本实现神经网络模型。具体如下：

原始数据：

• 例如，形状为（100，50）的X_org，即具有50个特征的100个样本。在
• 形状为（100，1）的Y形组织。在

处理这些原始数据以进行实际培训：

从X_org中随机选择2个样本（这样我们就有100*99/2个这样的组合）形成一个新的“成对”样本，预测目标，即新的y标签是两个相应的y_org标签（y_org_sample1-y_org_sample2）的减法。现在我们有了新的X_train和{}。在

我需要一个更多的a NN模型（DNN，CNN，LSTM，whatever…），用它我可以将来自X_train的一个成对样本的第一个子样本传递到模型中，得到一个结果，与第二个子样本的步骤相同。通过计算两个结果的相减，可以得到这对样本的预测。此预测将与Y_train中相应的Y标签进行比较。在

总的来说，我需要训练一个模型（更新权重），然后给它一个“成对”的样本（两个连续的子样本）。我之所以不选择“双臂”模型（例如，通过xxx.sub()合并两个手臂），是因为在测试过程中我只会提供一个子样本。最后，我将使用该模型预测一个子样本。在

所以我将在训练步骤中使用X_train中的数据，而在测试步骤中使用类似X_org的数据格式。看起来有点复杂。在

看来Tensorflow对于这个任务来说更可行，如果keras也可以，请分享你的想法。在

Answer 1

您可以首先创建一个只包含一个X_org-like元素的模型：

#create a model the way you like it, it can be Functional API or Sequential, no problem
xOrgModel = createAModelForXOrgData(...)

现在，让我们创建第二个模型，这一次必须使用函数API，它可以同时处理两个输入：

^{pr2}$

现在有两个模型：xOrgModel和pairWiseModel。你可以使用其中任何一个，这取决于你正在做的任务。在

两款车型都在分享各自的权重。这意味着你可以训练他们中的任何一个，另外一个也会更新。在

使用成对模型

首先，将数据组织在两个单独的数组中。（因为我们的模型使用两个输入）

L = len(X_org)
x1 = []
x2 = []
y = []

for i in range(L):
    for j in range(i+1,L):
        x1.append(X_org[i])
        x2.append(X_org[j])
        y.append(Y_org[i] - Y_org[j])

x1 = np.array(x1) 
x2 = np.array(x2) 
y = np.array(y) 

使用输入列表进行训练和预测：

pairWiseModel.fit([x1,x2],y,...)