我正在看一项任务，我想从图像中预测多个事物（动物的品种 [分类]、年龄 [连续数字] 和性别 [分类]）。不出所料，我的第一个想法是使用神经网络（例如，将多个输出添加到预训练的 covnet），我会先尝试 keras（之前使用过）。我认为尝试在单个 covnet 中完成所有这些操作会很有用（尤其是基于本文的 TWiML 演讲，作者建议一般来说，一个预测目标将有助于改进另一个预测目标的特性，并且考虑到例如如何一个会认识到性别会因品种而异等）。

我的问题出现了，因为对于某些训练/验证/测试图像，多个预测目标中的一些（但不是全部）可能会丢失。有时我们只知道品种，对于某些图像，我们不知道性别，并且可能经常无法获得确切的年龄（但只有动物是成年而不是大约 4 个月以下，人类只需看一眼就可以轻松标记这个动物）。

如果我不得不猜测，我希望missingess会随机丢失（但可能不会完全随机丢失）。例如，对于某些品种和年龄，仅通过观察动物就很难分辨出性别（也许神经网络会设法做到这一点）。因此，只为动物拍照的人可能不知道性别，而人类也不擅长从照片中标记性别。另一个例子：年龄可能不可用，因为有人只是拍了一张他们没有详细信息的动物的照片，或者因为有人买了一只二手动物但从未发现。

有一些标准的方法来处理这个吗？我的直觉是，即使缺少一两个预测目标的记录仍然应该为其他记录提供有用的信息。因此，以列表方式删除具有任何缺失目标信息的所有记录将是非常低效的（甚至可能有问题？！）。