Tensorflow：分别训练两层流？

Question

假设我有一个卷积神经网络，它应该预测图像中的两个不同的（语义）事物，每个事物可以分类为N维输出。所以我的网络看起来像这样：

# architecture 

             input
          (RGB images)
               |
          conv_layer 1
               |
             .....
               |
          conv_layer n
               |
        _______________
        |              |
      fc1_x          fc1_y    <-- fully-connected layer 1
        |              |
      fc2_x          fc2_y    <-- fully-connected layer 2 / output
   (output_x)     (output_y)

output_x是维度(1, 1000)的向量，因此预测超过1000个类。 output_y是维度(1, 500)的向量，因此预测超过500个类。

x和y中的类在语义上是相关的，因此它们不一个热编码。相反，在训练向量中拟合了围绕真实类的正态分布。

在每个训练步骤中，我都将这样的交叉熵误差降到最低：

train_step_x = tf.train.AdamOptimizer(0.001).minimize(cross_entropy_x)
train_step_y = tf.train.AdamOptimizer(0.001).minimize(cross_entropy_y)

因此，我计算output_x和output_y的不同交叉熵错误。

到目前为止，我对网络的（培训）结果感到满意。但是，网络架构不是最终的。它将变得更大并最终更深，训练数据集将比现在大几个数量级。

我的问题是：这是一个合理的网络架构吗？或者它被认为是糟糕的设计？

Tensorflow是否真的分别训练了两个流？或者是我的两个AdamOptimizers，每个学习步骤糟糕的设计，我只是得到了＃34;神奇地＆＃34;看起来很好看，虽然我的建筑不会被认为是好的＆＃34;对于这个问题？

我认为两个不同的完全连接＆＃34;流＆＃34;对于x和y数据/类，对于应该在两个不同的＆＃34;组之间预测的架构是合理的。课程。