### 实现多输入单输出神经网络 为了构建一个多输入单输出的神经网络，可以采用模块化的设计思路来提高代码可读性和维护性。具体来说，不同类型的输入可以通过各自的预处理层进入共享的隐藏层结构，最后通过一个输出节点得到预测结果。 #### 数据准备与预处理 假设存在两种不同类型的数据作为输入：图像数据和文本描述。每种类型的数据都需要独立的预处理器来进行标准化操作： ```python from tensorflow.keras.preprocessing.image import img_to_array, load_img from tensorflow.keras.preprocessing.sequence import pad_sequences import numpy as np def preprocess_image(image_path): image = load_img(image_path, target_size=(64, 64)) input_arr = img_to_array(image) input_arr = np.array([input_arr]) # Convert single image to batch return input_arr / 255. def preprocess_text(text_data, tokenizer, max_length=100): sequences = tokenizer.texts_to_sequences([text_data]) padded_seq = pad_sequences(sequences, maxlen=max_length) return padded_seq ``` #### 定义模型架构 接下来定义一个多分支的Keras模型，它接受两个输入并返回单一数值输出。这里使用`Functional API`来创建更复杂的拓扑结构[^1]。 ```python from tensorflow.keras.models import Model from tensorflow.keras.layers import Input, Dense, Flatten, LSTM, Embedding, concatenate image_input = Input(shape=(64, 64, 3), name='img_input') x = Flatten()(image_input) x = Dense(128, activation='relu')(x) text_input = Input(shape=(None,), dtype='int32', name='txt_input') emb_layer = Embedding(input_dim=10000, output_dim=128)(text_input) lstm_out = LSTM(128)(emb_layer) merged = concatenate([x, lstm_out]) output = Dense(1, activation='sigmoid', name='prediction')(merged) model = Model(inputs=[image_input, text_input], outputs=output) model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) ``` 此段代码展示了如何组合来自不同模态的信息流，并将其融合到一起形成最终决策路径。注意这里的损失函数选择了二分类交叉熵(`binary_crossentropy`)，适用于回归或二元分类任务；如果目标是多元分类，则应调整相应的激活函数和损失函数配置。