在Keras中只训练网络的一个输出

我在Keras有一个网络，有许多输出，但是，我的训练数据一次只提供单个输出的信息

目前，我的培训方法是对有问题的输入进行预测，更改我正在培训的特定输出的值，然后进行单批更新。如果我是对的，这与将所有输出的损耗设置为零相同，除了我试图训练的输出

有更好的办法吗？我试过在课堂上给所有人设置一个零权重，除了我训练的输出，但它没有给我预期的结果

---

我正在使用Theano后端。

为了实现这一点，我最终使用了“功能API”。基本上可以创建多个模型，使用相同的输入层和隐藏层，但不同的输出层

例如：

输出多个结果并仅优化其中一个 假设您希望返回来自多个层的输出，可能来自一些中间层，但您只需要优化一个目标输出。以下是您如何做到这一点：

让我们从这个模型开始： 使用多个输出进行编译，对于额外输出，将损耗设置为

None

： 对于不希望用于损耗计算和优化的输出，给出

None

model = Model(inputs=inputs, outputs=[result, useful_info])
model.compile(optimizer='rmsprop',
              loss=['categorical_crossentropy', None],
              metrics=['accuracy'])

培训时仅提供目标输出。跳过额外输出： 有人预测会把他们都弄到手 拥有一个模型，您只能运行一次

predict

，以获得所需的所有输出：

predicted_labels, useful_info = model.predict(new_x)

---

对于监督学习来说，这是一个不常见的环境。展示一些示例数据，并解释一下为什么会有这种设置。我用它来进行深度Q学习。输入是一个状态，每个输出是一个动作的分数。选择一个操作，然后根据该操作的结果更新网络。但是，您只想更新一个输出，因为您不知道其他操作的结果…我明白了。这是不同的处理方式。请看（我在链接中标记了行）。您只需保留其他操作的当前值！我想实现一个具有多个输出（多任务学习）的类似CNN。我会在网络上运行输入（图像），得到其中一个输出；然后根据输出，选择其他输出之一以运行网络并获得最终输出。在培训中，我一次只更新一个流。我认为这是一个非常常见的问题，但奇怪的是，没有示例或文档来描述解决方案@你解决了你的问题了吗？如果是，怎么做？Thx.前几天我确实做了，我已经忘记了这篇文章。不过，今晚我会给出更详细的回答，在Keras中，你可以使用相同的层制作多个模型，在这些层中共享值（在我的脑海中，你需要使用“序列”的替代方案）。我基本上为每个共享层的输出创建了一个模型。它工作得很好。这里的问题是-您必须运行预测两次才能获得两个输出。@Serhiy他可以创建第三个

predictions=Concatenate（）（[predictions\u a，predictions\u B]）

并将其设置为第三个模型的输出。不知何故，这在v2.3.0中不起作用，因为我得到了错误：

ValueError:这两个结构的序列长度不相同。输入结构的长度为1，而浅层结构的长度为3。

在尝试将此应用于我的网络时，我遇到以下错误：“ValueError:变量的梯度值为

None

。请确保所有操作都定义了梯度值（即可微）。没有梯度值的常见操作：K.argmax、K.round、K.eval。”我的tensorflow==1.14.0。我的损失是[无”，“绝对交叉熵”]@omsrisagar是的，我也是！你能找到解决办法吗？

model = Model(inputs=inputs, outputs=[result, useful_info])
model.compile(optimizer='rmsprop',
              loss=['categorical_crossentropy', None],
              metrics=['accuracy'])

model.fit(my_inputs, {'result': train_labels}, epochs=.., batch_size=...)

# this also works:
#model.fit(my_inputs, [train_labels], epochs=.., batch_size=...)

predicted_labels, useful_info = model.predict(new_x)