Python 我将如何着手创建具有不同数量目标/输出的keras模型？

我已经建立了一个神经网络回归模型，使用Keras和一个目标。这个很好用， 现在我想包括多个目标。数据集总共包含30个目标，我宁愿训练一个神经网络，而不是30个不同的

我的问题是，在数据预处理过程中，我必须删除一些目标值，例如，因为它们代表不可预测的非物理值。 这就产生了一些问题，我有不同数量的目标/输出。 例如： 目标=

无，0.007798，0.012522

0.2611402110.0000002440.000000

0.048799，无，无

对于给定的输入，我如何创建一个具有不同数量输出的keras.序列模型（或函数模型）

编辑：我是否可以首先训练一个分类模型，预测给定一些测试输入的输出数量，然后根据该预测改变输出层中的输出数量？我想我必须使用函数API来实现类似的功能。

---

此处的“分类”编辑是不必要的，即忽略它。测试目标的输出数量为已知数量。

一种可能的解决方案是单独输出“有效性标志”，其取值范围为0到1。例如，您的第一个目标是

y=[0.0, 0.007798, 0.012522]
yf=[0.0, 1.0, 1.0]

其中，零表示无效值。 对

yf

使用乙状结肠激活功能。 损失函数可以是

y

和

yf

的损失之和。 在推理过程中，分析<代码> yf的网络输出，只考虑<代码> y>代码>值，如果对应的<代码> yf>代码>超过0.5阈值

（对不起，我没有足够的信誉评论） 首先，您是否预先知道某些输出值是否无效，或者是预测哪些输出实际有效的问题的一部分

如果您事先不知道应该忽略哪些输出，您可以使用您在评论中描述的两步方法

如果是确定性的（您知道如何确定），那么对于任何给定的输入，哪些输出都是有效的，而您的问题只是如何建立适当的模型，下面是我在keras中的做法：

• 使用函数式API
• 创建30个命名输出层（例如out_0、out_1、…out_29）
  • 创建模型时，只需使用outputs参数列出所有30个输出
• 在编译模型时，为每个单独的输出指定一个损耗，可以通过向损耗参数传递字典来实现，其中键是输出层的名称，值是相应的损耗
  • 假设您将对所有输出使用均方误差，字典将类似于{'out_0'：'mse'，'out_1'：'mse'，…，'out_29'：'mse'}
• 将输入传递到模型时，每个输入传递三个内容：x、y和损失权重
  • y必须是一个字典，其中键是输出层名称，值是目标输出值
  • 损失权重也是一个与y格式相同的字典。在您的例子中，权重可以是二进制的，对于任何给定样本，对应于实值的每个输出为1，对应于非物理值的每个输出为0（因此在训练期间忽略它们）
  • 对于非物理值目标，不要传递None，使用某种数字填充，否则会出现问题。这是完全无关的，你用你的填料，因为它不会影响梯度训练期间

---

这将为您提供一个可培训的模型。但是，一旦你从训练开始，并尝试预测新的数据，你将不得不决定对每个样本忽略哪些输出，网络可能仍然会为你提供“有效的”——寻找这些输入的输出

谢谢你详尽的回答。是的，我意识到我事先就知道了。所以很抱歉我对分类的编辑，结果发现它不相关。我会一步一步地尝试你的解决方案，并将结果反馈给你。谢谢！