Python 迁移学习-如何仅更改TensorFlow中的输出层？

我试图应用Rusu等人在年提出的一个想法，即训练一个神经网络，根据输入的类别改变输出层，即，如果我们知道输入的id，我们将选择相应的输出层。这样，所有隐藏层都将使用所有数据进行训练，但每个输出层将仅使用其相应类型的输入数据进行训练

这是为了在迁移学习框架中取得良好效果

如何在tensorflow 2.0中实现这一“最后一层的更改”？

如果使用，您实际上可以定义前进过程

classmymodel（tf.keras.Model）：
定义初始化（自）：
超级（模型，自我）。\uuuu初始化
self.block_1=BlockA（）
self.block_2=BlockB（）
self.global_pool=layers.globalaveragepoolg2d（）
self.classifier=密集（num\u类）
def呼叫（自我，输入）：
如果条件：
x=自块_1（输入）
其他：
x=自身块2（输入）
x=自全局_池（x）
返回自分类器（x）

---

你仍然需要弄清楚后支撑部分，但我认为如果你使用多输出模型并同时训练所有“最后一层”，这是相当容易的。

我最初想到的方法与此类似，但后支撑部分出现了问题。“同时”训练最后几层是什么意思？我的意思是，我只想训练与所用输入类型相对应的最后一层…用多个输入和输出训练模型。例如，如果您训练一个数字和一个dog/cat分类器，您将同时从digit数据集中输入一个批次，从dog/cat数据集中输入另一个批次。你将有两个一个热向量作为输出。我不太理解多输入的概念。。。这意味着我的隐藏层（至少第一层）也必须改变大小，对吗？我真正想要的是保持隐藏层的结构，然后调用与输入类对应的输出层。