我在尝试使用 Keras 构建一个神经网络，该网络首先检查输入是猫还是狗（基础模型）。

如果是狗，则将其传递给另一个模型（子模型1）。

如果是猫，则将其传递给另一个模型（子模型2）。

子模型是专门训练用于根据品种进行分类的较小模型，因此子模型1将狗分类成各种狗的品种，而子模型2将猫分类成各种猫的品种。

我面临的问题是：我不知道如何添加条件层，使得如果基础模型有500万个神经元，每个子模型有200万个神经元，当一张图片通过基础模型后，它应该只通过子模型1或子模型2，这样总共只有700万个神经元在处理一张图片到最终输出的过程中起作用。

任何帮助、参考都将不胜感激。

回答：

这里有另一个解决方案，它可能会训练得更快，运行得更快，使用更少的RAM，提供更好的性能，并且比这里列出的其他方案更易于使用。

只需使用一个具有多个输出的单一模型：一个二元输出（猫/狗），一个猫品种输出（多类别）和一个狗品种输出（多类别）。在训练过程中，您可以使用自定义损失函数来忽略与错误物种对应的损失（例如，对于狗图片忽略猫品种输出）。

这样做的好处包括：

• 训练更快：只需训练一个模型。
• 性能更好：在进行这种多任务学习时，通常可以获得更好的性能。这是因为狗图片和猫图片有很多共同点，因此训练一个用于两者的单一基础神经网络，然后在此基础上构建专业化的网络是有帮助的。
• 更少的RAM和计算量：我们不需要通过两个CNN（一个用于猫/狗检测器，一个用于品种分类），只需通过一个（基础网络）。这在很大程度上抵消了我们即使在猫/狗检测器表示是猫时也通过狗品种分类器进行的不必要计算。
• 更易于使用：只需调用一次模型，您就可以一次获得所有需要的信息。此外，如果猫/狗检测器不太确定（例如，它输出50%的概率），那么至少您可以为猫和狗都得到合理的候选者。

这是一个工作示例。您只需用自己的数据替换即可。请注意，这里有三个标签：

• 猫/狗：例如[0, 1, 1, 0]代表狗、猫、猫、狗
• 猫品种：例如[-1, 2, 0, -1]代表非猫、第二类猫、零类猫、非猫
• 狗品种：例如[3, -1, -1, 1]代表第三类狗、非狗、非狗、第一类狗