### Keras 中多输出模型的构建与应用 在 Keras 中创建具有多个输出层的神经网络可以用于解决复杂的任务，比如同时预测类别标签和其他属性。下面是一个具体的例子展示如何定义一个多输出模型： ```python from tensorflow.keras.models import Model from tensorflow.keras.layers import Input, Dense, Flatten, Conv2D, MaxPooling2D # 定义输入层 input_layer = Input(shape=(64, 64, 3)) # 添加卷积层和池化层 conv1 = Conv2D(32, kernel_size=4, activation='relu')(input_layer) pooling1 = MaxPooling2D(pool_size=(2, 2))(conv1) flat = Flatten()(pooling1) # 创建两个独立的全连接层作为不同的输出分支 category_branch = Dense(128, activation="relu")(flat) category_output = Dense(num_classes, activation="softmax", name="category_output")(category_branch) color_branch = Dense(128, activation="relu")(flat) color_output = Dense(num_colors, activation="sigmoid", name="color_output")(color_branch) # 构建最终模型 model = Model(inputs=input_layer, outputs=[category_output, color_output]) # 编译模型 model.compile(optimizer='adam', loss={'category_output': 'categorical_crossentropy', 'color_output': 'binary_crossentropy'}, metrics={'category_output': ['accuracy'], 'color_output': ['accuracy']}) # 训练模型 H = model.fit( trainX, {"category_output": trainCategoryY, "color_output": trainColorY}, validation_data=( testX, {"category_output": testCategoryY, "color_output": testColorY} ), epochs=EPOCHS, verbose=1 )[^5] # 存储训练好的模型到磁盘上以便后续使用 print("[INFO] 序列化网络...") model.save('multioutput_model.h5') ``` 这段代码展示了怎样通过 `Model` 类来指定不同名称下的输出节点 (`category_output`, `color_output`) 并分别设置损失函数和性能指标。 对于更复杂的应用场景，还可以考虑引入其他类型的输出结构，例如回归问题中的连续数值预测或是时间序列分析里的未来步数预报等。