深度学习的主要好处是您不必手动设计功能。

经典机器学习算法总是包括特征工程步骤，而神经网络能够在学习过程中自动提取特征。典型的例子是 CNN。在第一层，它创建表示线条的简单特征，最后一层表示抽象特征。当然，有些任务确实需要特征工程（例如信号处理）。

在您的情况下，如果您想利用 CNN 网络，您还可以为标志添加一个额外的输入层（例如，作为 one-hot 向量）。这是取自此答案的插图。

假设图像可以包含类对象$C_1 \dots C_c$. 假设一组附加输入具有问题的含义，如“包含 C_i 或 C_j 或 ...？”的图像。

该系统的主要问题是将图像分类$C_i$. 第二个问题是回答剩余输入提出的隐含问题。

因此，最好结合两个 NN：

• 第一个是对象识别器，输入图像数据。
• 第二个神经网络将回答隐含在剩余位中的问题，输入前一个神经网络的输出和“问题”位。

具体以问题描述的示例为例：

• 一个神经网络，用于从 32x32 图像中对狗/猫进行分类。狗和猫的概率的两个输出。或者只是一个二进制输出0：“是一只狗”，1：“是一只猫”。
• 第二个 NN 具有“1025”二进制输入（0：“寻找狗”，1：“寻找猫”）并从前一个输出。在这种情况下，如果一切正常，它会推断出逻辑“a==b”：“是一只狗”和“找狗”或“是一只猫”和“找猫”。

请注意，如果您尝试使用具有所有输入（示例中为 1025）的全连接 NN 直接解决问题，您将失去使用 CNN 和最大池层等的可能性。此外，拆分减少了训练时间，加入主题“以指数方式”增加它们。不是一个有前途的方法。