如何在Keras中处理多输入多输出模型

在Keras中处理多输入多输出模型，可以使用Functional API来构建模型。以下是一个示例代码：

from keras.models import Model
from keras.layers import Input, Dense

# 定义输入层
input1 = Input(shape=(10,))
input2 = Input(shape=(20,))

# 定义共享的隐藏层
shared_layer = Dense(64, activation='relu')

# 连接输入层和隐藏层
hidden1 = shared_layer(input1)
hidden2 = shared_layer(input2)

# 定义输出层
output1 = Dense(1, activation='sigmoid')(hidden1)
output2 = Dense(1, activation='sigmoid')(hidden2)

# 构建模型
model = Model(inputs=[input1, input2], outputs=[output1, output2])

# 编译模型
model.compile(optimizer='adam', loss='binary_crossentropy', 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，我们定义了两个输入层和一个共享的隐藏层，并将输入层连接到隐藏层。然后，我们分别定义了两个输出层，并将隐藏层连接到输出层。最后，我们使用Functional API构建了一个多输入多输出的模型，并使用compile()方法编译模型，然后使用fit()方法训练模型。

在训练模型时，需要传入多个输入数据和输出数据，分别对应模型中定义的多个输入和输出层。