2.1.6　多输入单一输出TensorFlow编译方法（选学）

在前面内容的学习中，我们采用的是标准化的深度学习流程，即数据的准备、处理，数据的输入与计算，以及最后结果的打印。虽然在真实情况中可能会遇到各种各样的问题，但是基本步骤是不会变的。

这里存在一个非常重要的问题——在模型的计算过程中遇到多个数据输入端应该怎么处理，如图2.8所示。

以Tensor格式的数据为例，在数据的转化部分就需要将数据进行“打包”处理，即将不同的数据按类型进行打包，例如：

     输入1，输入2，输入3，标签 -> (输入1，输入2，输入3)，标签

注意小括号的位置，这里将数据分成两个部分，即输入与标签两类。多输入的部分使用小括号打包在一起，形成一个整体。

下面以iris数据集为例讲解多数据输入的问题。

第一步：数据的获取与处理

从前面的介绍可以知道，iris数据集每行是一个由4个特征组合在一起表示的特征集合，此时可以人为地将其切分，即将长度为4的特征转化成一个长度为3和一个长度为1的两个特征集合，代码如下：

打印其中一条数据，一行4列的数据被拆分成2组特征，如下所示。

第二步：模型的建立

这里的数据被人为地拆分成两个部分，因此在模型的输入端也要能够对应处理两组数据的输入。

     input_xs_1  = tf.keras.Input(shape=(1,), name='input_xs_1')
     input_xs_2  = tf.keras.Input(shape=(3,), name='input_xs_2')
     input_xs = tf.concat([input_xs_1,input_xs_2],axis=-1)

首先建立input_xs_1和input_xs_2作为数据的接收端，接收传递进来的数据，之后通过一个concat重新将数据组合起来，恢复成一条4特征的集合。

    out = tf.keras.layers.Dense(32, activation='relu', name='dense_1')(input_xs)
    out = tf.keras.layers.Dense(64, activation='relu', name='dense_2')(out)
    logits = tf.keras.layers.Dense(3,
activation="softmax",name='predictions')(out)
    model = tf.keras.Model(inputs=[input_xs_1,input_xs_2], outputs=logits)

对剩余部分的部分数据处理没有变化，按前文程序处理即可。

第三步：数据的组合

切分后的数据需要重新对其进行组合，生成能够符合模型需求的Tensor数据。这里最关键的是在模型中对输入输出格式的定义，把模式的输入输出格式拆分如下：

     input = 【输入1，输入2】，outputs = 输出  #注意model中的中括号

因此，在Tensor建立的过程中，也要按模型输入的格式创建对应的数据集。格式如下：

     ((输入1，输入2),输出)

这里我们采用了2层括号对数据进行包裹，即首先将输入1和输入2包裹成一个输入数据，之后重新打包输出，共同组成一个数据集。转化Tensor数据的代码如下：

   train_data = tf.data.Dataset.from_tensor_slices(((iris_data_1,
iris_data_2),iris_target)).batch(128)

完整代码如下所示。

【程序2-6】

最终结果如图2.9所示。

这里TensorFlow默认输出了每个循环结束后的loss值，并且按compile函数设定的内容输出准确率（accuracy）值。最后的evaluate函数通过对测试集中的数据进行重新计算，获取在测试集中的损失值和准确率。本例使用训练数据代替测试数据。

在程序2-6中数据的准备是使用tf.data API完成的，即通过打包的方式将数据输出，也可以直接将输入的数据输入到模型中进行训练，代码如下：

【程序2-7】

最终打印结果请读者自行验证，需要注意的是其中数据的包裹情况。