2.1.7　多输入多输出TensorFlow编译方法（选学）

读者已经知道了对于多输入单一输出的TensorFlow的写法，那么在实际编程中有没有可能遇到多输入多输出的情况呢？事实上是有的。虽然读者可能遇到的情况会很少，但是在必要的时候还是需要设计多输出的神经网络模型去进行训练，例如“bert”模型。

对于多输出模型的写法，实际上也可以仿照单一输出模型改为多输入模型的写法，将output的数据使用中括号进行包裹。

第一步：数据的修正和设计

首先是对数据的修正和设计，数据的输入被平均分成2组，每组有2个特征。这实际上没什么变化。对于特征的分类，在引入one-hot处理的分类数据集外，还保留了数据分类本身的真实值做目标的辅助分类计算结果。无论是多输入还是多输出，都要使用打包的形式将数据重新打包成一个整体的数据集合。

在fit函数中，直接调用打包后的输入数据即可。

     model.fit(x = train_data, epochs=500)

完整代码如下所示。

【程序2-8】

输出结果如图2.10所示。

图2.10　数据结果

限于篇幅关系，这里也只给出一部分结果，相信读者能够理解输出的数据内容。