我想在数据集的不同类别上训练一些模型，以便每个模型在输出层中只有相关数量的节点。稍后，我想通过制作一个公共向量来结合他们的学习，例如，他们的输出的聚合。最终/聚合模型将从这个聚合输出向量中学习。
例如，对于 Cifar 10 数据集，我有两个模型；模型 1 和模型 2。
模型 1 仅具有类 1,3,5,7 的样本，模型 2 具有例如 0,3,5,8,9 的样本。很明显，model1 只有 4 个类的样本，因此它在输出层中应该只有 4 个节点。同理，Model-2 有 5 个类的样本，所以它在输出层应该有 5 个节点。
根据我的理解；
cifar 10 数据集中的实际类数：[0,1,2,3,4,5,6,7,8,9]
模型 1 的类：[1,3,5,7]
模型 2 的类：[0,3,5,8,9]
我只是制作了两个具有相关节点数量的模型。但是，当我尝试使用 keras.utils.np_utils.to_categorical(y,num_classes=4) 为 Model-1 应用一种热编码时，它不允许我这样做，并且出现以下错误：
InvalidArgumentError: logits and labels must be broadcastable: logits_size=[32,4] labels_size=[32,7]
我进一步探索了互联网，发现这是由于标签和类大小的差异，即 Model-1 具有最大。类标签为 7 所以这意味着一种热编码期望 num_classes 为 7 而不是 4。但是，根据要求，我必须遵循相同的设置，即模型的输出层中应该只有相关数量的节点。
任何建议将不胜感激。
答案 0 :(得分：0)
最后。我得到了解决方案。谢谢。