Introduction

• 將使用房價預測的回歸的問題進行演示
  • 此數據集含有8個特徵，可以很輕鬆的將其劃分給wide模型及deep模型使用的特徵
  • 特徵與特徵之間的價值有所差異
• 對於圖像分類來說，數據集的劃分並無太大的意義(像素之值)
  • 特徵與特徵之間的價值雷同
• 因Wide & deep模型為兩部份有層級結構的模型所組成的，因此並非使用tf.keras.models.Sequential()的方式構建模型

使用函數API實現wide & deep

• 輸入層使用tf.keras.layers.Input(shape)構建
  • shape:每一樣本的特徵分布

• 類似f(x) = h(g(x))複合函數的概念來構建每一層

  • 在deep Model構建中，前一層會變成參數傳入下一層

• 使用tf.keras.layers.concatenate(inputs=[])合併 deep model及 wide model

  • https://keras.io/zh/layers/merge/#concatenate_1
  • inputs：輸入為一個列表至少為2

• 使用tf.keras.models.Model(inputs=[],outputs=[])返回固化的模型

  • 把前面定義的連接層數及合併層藉由Model()實例化
  • https://keras.io/zh/models/model/#model-api
  • inputs:輸入層為一列表
  • ouputs:輸出層為一列表

Code Presentation