Python 梯度反转层在功能性keras多分类模型中的实现

我的问题是关于在keras中使用tensorflow后端将“域自适应”实际实现为功能模型的问题

问题描述：

我有一个由n个变量组成的粒子碰撞样本集合。其中一半是带有特定类别标签的模拟数据（例如“W玻色子”）。另一半是未标记的真实碰撞数据。现在的关键想法是建立一个keras模型，它有两个输出。一个用于分类样本的类别，另一个用于分类域，因此它是模拟数据还是真实数据。问题是，应该对模型进行训练，使领域分类器的性能非常差。这是通过在训练期间从网络的域端翻转传入梯度的符号来实现的。这种技术称为“域自适应”。该模型预计将被训练以找到域不变特征，或者换句话说，在模拟和真实碰撞数据上执行相同的操作

我正在使用的框架有一个existin functional keras模型，我想用上述领域分类器扩展该模型。这是我提出的一个原型：

# common layers
inputs = keras.Input(shape=(n_variables, )) 
X      = layers.Dense(units=50, activation="relu")(inputs)

# domain end
flip_layer = flipGradientTF.GradientReversal(hp_lambda=0.3)(X)
X_domain   = layers.Dense(units=50, activation="relu")(flip_layer)
domain_out = layers.Dense(units=2, activation="softmax", name="domain_out")(X_domain)

# class end
X_class    = layers.Dense(units=50, activation="relu")(X)
class_out  = layers.Dense(units=n_classes, activation="softmax", name="class_out")(X_class)

flipGradientTF

的代码取自

此外，还需要编写和培训模型：

model = keras.Model(inputs=inputs, outputs=[class_out, domain_out])
model.compile(optimizer="adam", loss=loss_function, metrics="accuracy")

# train model
model.fit(
    x             = train_data, 
    y             = [train_class_labels, train_domain_labels], 
    batch_size    = 200, 
    epochs        = 200, 
    sample_weight = {"class_out": class_weights, "domain_out": None}
)

对于

train_data

我正在传递由两个域的数据组成的数据帧。由于我尝试使用“分类交叉熵”或“稀疏分类交叉熵”作为

损失函数

，

训练类标签

和

训练域标签

，其中一个热表示或整数表示。我最大的问题是弄清楚未标记数据的类标签应该使用什么，这让我感觉我走错了方向

简言之：

这个实现策略合法吗？假设合法，我应该如何处理未标记数据的类标签？如果它不合法，有什么更好的方法来解决这个问题呢？

任何帮助都将不胜感激：）