鉴于您提供的信息，最诚实的答案是：您必须自己测试它，没有通用答案。

尽管如此，研究中的经验表明，神经网络可能会受益于具有多个输出。

因此，假设我们有一个具有多个输出的神经网络。此外，让我们将它们分组为特定的任务：

例如：

• 第 1 组的输出神经元判断图像是包含狗还是猫。
• 第 2 组的输出神经元告诉动物的大小（宽度和高度）
• 第 3 组的输出神经元告诉动物毛发的颜色（在某些编码中）

等等...

一个常见的例子是 Faster-RCNN 与 Mask RCNN。

假使，假设$g$表示不同输出神经元组的数量。

现在，如果您采用前馈神经网络，您将拥有最终分支到不同输出组的公共层。让我们打电话$\pi$将输入图像映射到这个特定的最后一个公共层的函数$L$然后让$\phi_{j}$是从层获取信息的函数$L$输出组的结果$j$.

因此，给定一个输入图像 $\mathbf{I}$，神经网络将其映射到$\begin{pmatrix} \phi_{1}(\pi(\mathbf{I})) \\ \vdots \\ \phi_{g}(\pi(\mathbf{I})) \end{pmatrix}$.

最后一个公共层的输出$\pi(\mathbf{I})=:\mathbf{f}$可以理解为图像描述符$\mathbf{f}$输入图像的$\mathbf{I}$.

特别是，所有预测输出都依赖于包含在$\mathbf{f}$.

$\textbf{Therefore}$：将多个输出合并到单个神经网络中可以理解为一种正则化技术。图像描述符$\mathbf{f}$必须不仅包含图像显示狗或猫的信息，还必须包含所有其他信息。因此，它必须是对输入的更全面（或“更现实”）的描述，这使得网络更难以过拟合。网络无法使用不合理的解释解决特定任务，因为相应的图像描述符会导致其他任务的不良结果。

因此，向神经网络添加额外（辅助）任务可以提高初始任务的准确性，即使您对预测这些额外任务不感兴趣。

所以本质上，如果你的数据有一个共同的描述，可以用来解决你需要的任务，那么系统可能会通过使用一个具有多个输出的模型而受益。

您可以查看文献，例如协作学习、多任务学习和辅助任务。

我希望这回答了你的问题。