我很难考虑如何构建这个网络，但存在以下问题：我想构建一个 CNN 来对乐谱中的音符进行分类。我已经尝试了几种带有和不带有迁移学习的模型，每个图像只有一个标签，即“C 四分音符”或“B 二分音符”（不完全一样，但你明白了）。现在训练模型进展顺利，但对新图像进行分类仍然是垃圾。现在我想尝试将网络分成两部分：一个用于训练音高的网络（标签 1）和一个用于训练音符持续时间的网络（标签 2）。所以每个图像都有两个标签。我怎样才能做到最好？

1）建立和训练两个独立的模型，并结合结果。
2) 建立一个多标签网络（你仍然得到 label1 x label2 数量的标签，对吧？）。
3) 具有两个输出层的网络，每个输出层有一个标签和一个 Softmax 函数。虽然我不确定如何构建它以及这是否与选项 1 不同。

我关于迁移学习的第二个问题：在 imagenet 上训练的模型与我自己的数据集完全不同，所以我的逻辑是只冻结前几层的基本特征并训练模型的其余部分，这是否正确？

干杯