複数入力・出力モデルの作成

Kerasで複数の入力や出力を持つモデル（多入力・多出力モデル）を作成する場合、Functional APIを用いるのが一般的です。Sequential APIでは単一の入力・出力しか扱えないため、このような複雑なモデル構造には適していません。

以下では、複数入力・出力モデルの構築方法を、具体的なコード例とともに詳しく解説します。

---

1. 基本構成

KerasのFunctional APIでは、以下の流れで多入力・多出力モデルを構築します：

1. 複数のInputレイヤーを定義

2. 各入力に対して個別に処理を行うレイヤーを定義

3. 必要に応じて結合（Concatenate）や共有処理を追加

4. 複数の出力レイヤーを定義

5. Model(inputs=[...], outputs=[...])で統合

---

2. コード例：2つの入力と2つの出力を持つモデル

例：顧客情報と購入履歴から、購買確率とユーザータイプを予測するモデル

python
from tensorflow.keras.layers import Input, Dense, Concatenate
from tensorflow.keras.models import Model

# 入力1：数値ベクトル（顧客属性）
input_customer = Input(shape=(10,), name='customer_input')
x1 = Dense(32, activation='relu')(input_customer)

# 入力2：過去の購入履歴（商品カテゴリごとのフラグ）
input_history = Input(shape=(5,), name='history_input')
x2 = Dense(16, activation='relu')(input_history)

# 結合
merged = Concatenate()([x1, x2])
shared = Dense(64, activation='relu')(merged)

# 出力1：購買確率（回帰）
output_prob = Dense(1, activation='sigmoid', name='purchase_probability')(shared)

# 出力2：ユーザータイプ（分類）
output_type = Dense(3, activation='softmax', name='user_type')(shared)

# モデルの定義
model = Model(inputs=[input_customer, input_history],
              outputs=[output_prob, output_type])

# コンパイル
model.compile(optimizer='adam',
              loss={'purchase_probability': 'binary_crossentropy',
                    'user_type': 'categorical_crossentropy'},
              metrics={'purchase_probability': 'accuracy',
                       'user_type': 'accuracy'})

---

3. モデルの概要表示

python
model.summary()

これにより、各入力・出力の接続構造が可視化されます。

---

4. 学習データの準備と学習

学習時は、それぞれの入力・出力に対応するデータを以下のように渡します：

python
# ダミーデータ
import numpy as np

customer_data = np.random.random((1000, 10))
history_data = np.random.random((1000, 5))

prob_labels = np.random.randint(2, size=(1000, 1))
type_labels = np.random.randint(3, size=(1000, 3))  # ワンホットエンコーディング済み

# モデルの学習
model.fit({'customer_input': customer_data,
           'history_input': history_data},
          {'purchase_probability': prob_labels,
           'user_type': type_labels},
          epochs=10, batch_size=32)

---

5. まとめ

• 複数入力・出力モデルはFunctional APIで柔軟に構築できる。

• 入力はInput()で複数定義し、処理後に結合や並行処理を行う。

• 出力も複数定義し、個別の損失関数や評価指標を設定可能。

• 学習時にはdict形式でデータを渡すことで、入出力を正確にマッピングできる。