我目前正在启动图像分类和提取项目的预处理，该项目需要从单个图像中输出多个 softmax 和绝对值，如下所示：
{
time: "20:20",
teams: [
{
red: { goals: 2},
blue: { goals: 1},
},
{
scored_by : [{
john: 80%,
kyle: 51%,
darren: 20%
}
]}
]
}
我可以创建多个模型来负责不同的任务，例如从图像中读取时间以及分数，并最终将两者结合起来。但是，我想确保我最大限度地提高效率，以确保流程尽可能快。
任何指向正确方向的指针将不胜感激。
亲切的问候， 丹尼斯
与多个输出层共享网络权重并非闻所未闻。我在 DeepMind 的Asynchronous Deep Learning论文上看到过，我也在这里使用过。
这个想法是共享所有层并且只有多个输出。但是，这可能会降低网络的准确性，就像通常的性能与准确性权衡一样。
要优化这一点，只需计算两个输出的损失并在输入优化器时将它们相加，就像这样
self.target_policy_fast_t = tf.placeholder('float32', [None, a_size], name='target_policy_fast_t')
self.loss_policy_fast = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=self.network.policy_fast_before_softmax, labels=self.loss_policy_fast_t))
self.target_policy_slow_t = tf.placeholder('float32', [None, a_size], name='target_policy_slow_t')
self.loss_policy_slow = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=self.network.policy_slow_before_softmax, labels=self.target_policy_slow_t))
self.loss = tf.reduce_mean(self.loss_policy_fast + self.loss_policy_slow, name='loss')