我已经使用具有一个目标的Keras建立了一个神经网络回归模型。这工作正常， 现在我想包括多个目标。该数据集总共包括 30 个目标，我宁愿训练一个神经网络而不是 30 个不同的神经网络。
我的问题是，在数据的预处理中，对于给定的示例，我必须删除一些目标值，因为它们表示无法预测的非物理值。 这会产生我有不同数量的目标/输出的问题。 例如： 目标 =
- 无、0.007798、0.012522
- 0.261140， 2110.000000， 2440.000000
- 0.048799， 无， 无
我将如何创建 keras。对于给定输入具有不同数量输出的顺序模型(或功能模型(？
编辑：我是否可以先训练一个分类模型，该模型预测给定某些测试输入的输出数量，然后根据此预测改变输出层中的输出数量？我想我将不得不使用函数式 API 来实现这样的事情。
这里的"分类"编辑是不必要的，即忽略它。测试目标的输出数量是已知数量。
(抱歉，我没有足够的声誉来评论( 首先，您是否预先知道某些输出值是否无效，或者预测哪些输出实际上是有效的问题的一部分？
如果您事先不知道要忽略哪些输出，则可以使用您在评论中描述的两步方法。
如果它是确定性的(你知道怎么做(，哪些输出对任何给定的输入都有效，而你的问题只是如何建立一个正确的模型，这是我在 keras 中如何做到这一点：
- 使用函数式 API
- 创建 30 个命名输出图层(例如 out_0、out_1、...out_29(
- 创建模型时，只需使用 outputs 参数列出所有 30 个输出
- 编译模型时，为每个单独的输出指定损失，您可以通过将字典传递给 loss 参数来执行此操作，其中键是输出层的名称，值是各自的损失
- 假设您将对所有输出使用均方误差，字典将类似于 {'out_0' ： 'mse'， 'out_1'： 'mse'， ...， 'out_29'： 'mse'}
- 将输入传递给模型时，每个输入传递三件事：x、y、损失权重
- y 必须是一个字典，其中键是输出图层名称，值是目标输出值
- 损失权重也是与 y 格式相同的字典。在您的例子中，权重可以是二进制的，1 表示对应于实际值的每个输出，0 表示对应于任何给定样本的非物理值的每个输出(因此在训练期间忽略它们(">
- 不要为非物理值目标传递 None，使用某种数字填充物，否则会遇到问题。用于填充物的什么完全无关紧要，因为它不会影响训练期间的梯度
这将为您提供一个可训练的模型。但是，一旦你从训练中继续前进并尝试预测新数据，你将不得不决定忽略每个样本的哪些输出，网络可能仍然会为你提供这些输入的"有效"输出。
一种可能的解决方案是有一个单独的"有效性标志"输出，其值范围从零到一。例如，您的第一个目标将是
y=[0.0, 0.007798, 0.012522]
yf=[0.0, 1.0, 1.0]
其中零表示无效值。 使用乙状结肠激活功能进行yf。 损失函数可以是y和yf的损失之和。 在推理过程中，分析网络输出yf，并且仅在相应yf超过 0.5 阈值时才认为y值有效