Tensorflow 当某些目标具有正确的NA标签时的多目标回归

我正在研究一个Keras神经网络，它可以预测身体部位（左脚、左膝、左髋等）的关键点。对于每个图像（X），目标（Y）是关键点（左脚（X）、左脚（Y）、左膝（X）、左膝（Y）等）的坐标列表。当关键点不可见时，X和Y坐标等于0

---

我怀疑将数据保留在此状态将导致糟糕的结果，因为0实际上意味着NA（即关键点不可见）。保持X和Y坐标为0表示关键点实际上位于角点，这是错误的当正确的输出有时为NA时，构造数据进行多目标回归的正确方法是什么？

使用Python的None类型如何？例如foo=None。在这种情况下，foo将是一个没有值的对象。如果训练数据的目标值等于None，那么在推理过程中，模型是否也会预测None类型？这就是我想要创建的行为..我没有尝试过使用无类型标签进行训练/预测，但我认为该模型应该能够预测无类型标签，只要您的训练标签中包含无类型标签。我只是想了一个事实，没有一种类型会在计算模型的损失时产生问题。我认为，如果您的某些数据标记为“无类型”，Keras将无法计算损失。在这种情况下，您可能会看到loss=NaN。您是否可以使用一个数字来表示不可见的关键点，而这些关键点保证不会在其他地方的数据集中使用，比如-1？@blackHoleDetector您可以使用数字，但我猜这会以您不希望的方式扭曲结果。值-1将被解释为接近0,1,2,3等，而不是更大的数字。但这不是-1所代表的。使用两个独立的网络可能更有意义，因为两个独立的任务正在完成。这样，您就不会人为地修改数据以影响丢失，而且我也不认为任何类型都可以按照所描述的方式工作。使用Python的None类型怎么样？例如foo=None。在这种情况下，foo将是一个没有值的对象。如果训练数据的目标值等于None，那么在推理过程中，模型是否也会预测None类型？这就是我想要创建的行为..我没有尝试过使用无类型标签进行训练/预测，但我认为该模型应该能够预测无类型标签，只要您的训练标签中包含无类型标签。我只是想了一个事实，没有一种类型会在计算模型的损失时产生问题。我认为，如果您的某些数据标记为“无类型”，Keras将无法计算损失。在这种情况下，您可能会看到loss=NaN。您是否可以使用一个数字来表示不可见的关键点，而这些关键点保证不会在其他地方的数据集中使用，比如-1？@blackHoleDetector您可以使用数字，但我猜这会以您不希望的方式扭曲结果。值-1将被解释为接近0,1,2,3等，而不是更大的数字。但这不是-1所代表的。使用两个独立的网络可能更有意义，因为两个独立的任务正在完成。这样你就不会人为地改变数据来影响损失，而且我也不认为任何类型的数据都能以所描述的方式工作