tensorflow多输入输出模型

在 TensorFlow 中，可以使用多输入输出模型。这种模型允许处理具有多个输入和输出的复杂任务。下面是一个简单的示例，展示如何创建一个多输入输出的模型：

import tensorflow as tf

# 创建模型的输入
input1 = tf.keras.Input(shape=(10,))
input2 = tf.keras.Input(shape=(20,))

# 定义模型的层
dense1 = tf.keras.layers.Dense(32)(input1)
dense2 = tf.keras.layers.Dense(64)(input2)

# 合并两个输入层
merge = tf.keras.layers.concatenate([dense1, dense2])

# 模型输出层
output1 = tf.keras.layers.Dense(10)(merge)
output2 = tf.keras.layers.Dense(5)(merge)

# 创建模型
model = tf.keras.Model(inputs=[input1, input2], outputs=[output1, output2])

# 编译模型
model.compile(optimizer='adam', loss='mse', metrics=['accuracy'])

# 训练模型
model.fit([input_data1, input_data2], [output_data1, output_data2], epochs=10, batch_size=32)

在上面的示例中，我们创建了一个有两个输入和两个输出的模型。两个输入分别是一个形状为 (10,) 的向量和一个形状为 (20,) 的向量。我们使用了两个全连接层来处理每个输入，然后将它们合并在一起。最后，我们分别为合并后的层添加两个输出层，并创建了一个包含所有输入和输出的模型。