我正在开发一个多任务多标签分类器，所有这些都应该在同一个网络中完成（共享权重）。我想以下面的可切换方式训练网络：
if batch_type=1 => train with data minibatch X and labels of size (batchsize,**2**) (labels: 0/1)
if batch_type=2 => train with data minibatch X and labels of size (batchsize,**2**) (labels: A/B)
if batch_type=3 => train with data minibatch X and labels of size (batchsize,**3**) (labels: a/b/c)
我知道我可以实现自定义丢失功能并在其中包含K.switch（如here），但后来我遇到了y_pred和{{1}不同大小的问题（在上述案例之间）。
任何想法怎么做？
[编辑]我似乎过度简化了我的问题，所以我将在这里尝试更好地解释它：我对同一数据（X）有三个任务。我的数据的每个样本都是一个序列。每个序列是正面的或负面的（上面的0/1任务1）。每个否定样本都是A / B（任务2） AND a / b / c（任务3）。为了训练系统（假设它将从共享权利中受益），我可以引入单个输入X和单个组合softmax（0Aa，0Ab，...）或3个分离的softmax层（0/1，A / b，A / b / C）。在这两种情况下，我很难平衡我的单个小批量X以获得50％/ 50％0/1 AND 50％/ 50％A / B AND 33％/ 33％/ 33＃a / b / c。这就是我选择用3个输入（X_01，X_AB，X_abc）训练它的原因，每个输入在其类型和三个输出节点（y_01，y_AB，y_abc）方面是平衡的。这种解决方案在技术上可以编译和运行，但它既不稳定也不有益（性能明智）。这就是为什么我试图让它像上面解释的那样“可切换”。
答案 0 :(得分：0)
您所指的链接非常陈旧，它适用于Keras 1.0。现在我们处于2.1.3，这将给出一个完全不同的答案。我只是简单地扫描了纸张，但我看不到提到的不同输出形状。
在当前版本的Keras中，任何图层的输出大小都是模型级别设置。这意味着您无法按照计划的方式执行所要求的操作。
然而，可以通过使用香草Keras来实现 你可以像[0Aa，0Ab，...，1Bb，1Bc]这样组合你的输出 然后你可以在最后建立一个带有合并密集层的DAG 第一个塔应该返回[0/1]，第二个[A / B]，第三个[a / b / c]。如果需要，可以共享层，以便只有输出层需要不同。最后一层应该是每个塔的softmax，形状为2,2,3，以便与您的类型相对应。应使用3个辅助输出来控制3座塔的训练 然后，您可以将最终的softmax图层与形状12（2 x 2 x 3 = 12）组合 这只能通过Functional API of Keras完成。
这样您就可以在Keras中构建任何多标签分类器。