我之前曾研究过小规模的前馈神经网络问题。
但我已经开始着手一个新项目，目标是提前一天预测全国 25 个地点的空气质量。现在，我非常熟悉空气质量方面的事情。
我的问题：
在这样的问题中，我会开发 25 个独立模型（它们共享相同的输入结构）还是一个具有 25 个输出的模型。
我想我想做什么 - 有没有类似并行神经网络的东西？或者这是 25 个不同的问题？我主要研究物理模型，其中所有 25 个位置共享物理。而且输入会有所不同。
这是一个问题data parallelism还是一个model parallelism问题？
神经网络可以有 25 个输出。使用 25 个独立模型，您可能会得到稍微准确的结果，但计算和训练时间将是一个独立模型的 25 倍。一个具有 25 个输出的模型只需要比一个独立模型稍长的时间。
很少有模型类型允许“多输出”回归/分类。
sklearn文档提供了一个很好的概述：
然而MultiOutputRegressor，每个目标只适合一个回归器。同时与 RegressorChain
每个模型使用提供给模型的所有可用特征加上链中较早模型的预测，按照链指定的顺序进行预测。
Keras 的功能 API允许同时对多个目标进行建模。这种模型的一般结构是（完整的最小示例在这里）：
# Input and model architecture
Input_1=Input(shape=(YOUR_SHAPE_HERE, ))
x = LAYERS_HERE
# Outputs
out1 = Dense(1)(x)
out2 = Dense(1)(x)
# Compile/fit the model
model = Model(inputs=Input_1, outputs=[out1,out2])
model.compile(optimizer = "rmsprop", loss = 'mse')
# Add actual data in the fit statement
model.fit(train_data, [train_targets,train_targets2], epochs=500, batch_size=4, verbose=0, validation_split=0.2)