比方说，我要解决的问题是为特定诊所的患者（特征）预测医生（标签）。我们为不同的诊所提供了几种DNN模型来完成这项工作，但它并不划算-对于每种模型，我们都需要在AWS SageMaker上单独支付。
主要问题：如何将不同诊所的模型合并为一个模型，以使它们仍然可以独立准确地工作？
我尝试添加一个附加功能“ clinic”，以帮助DNN模型理解诊所的情况。我还定义了其他功能，即“诊所”的交叉列与香草（以前的）功能定义。
# adding clinic as additional feature
column = tf.feature_column.categorical_column_with_hash_bucket("clinicId", 20)
# defining columns as cross-column with clinic feature
column = tf.feature_column.crossed_column(["clinicId", column], 200)
我确实具有“验证”功能，可以随时针对特定诊所的测试数据执行该功能（类似于“评估”操作）。
用第一家诊所的数据训练模型后，我测量了准确性（验证），准确率为90％。
下一步，我将继续在第二诊所的数据上训练相同的模型并测量准确性。
预期结果：仍然是90％（我正在尝试在训练过程中使模型独立）。
实际结果：第一家诊所的组合模型的准确性下降到10％。