基于Keras函数式API构建五输出共享输入图像预测模型的技术问询

我最近正在用Keras函数式API搭建一个多输出模型，它共享同一个图像输入，能同时预测数据（这里是图像）的5种不同属性。下面是模型的关键信息：

输入与输出数据形状 #

• 训练集输入图像：x_train shape: (23706, 224, 224, 3)
• 第一个输出分支（Head_1）：Head_1 shape: (23706, 26)
• 第二个输出分支（Head_2）：Head_2 shape: (23706,)
• ...其余3个输出分支的形状对应各自预测属性的维度，结构类似

模型核心结构 #

这个模型是在预训练的VGG16模型基础上扩展而来的，所有用大写标识的层都是我新增的自定义层。整体架构采用共享输入的多分支设计：输入图像先经过VGG16的预训练特征提取模块，之后会分出5个独立的输出分支（也就是5个预测Head），每个分支专门负责一种属性的预测任务。

这种共享特征的多输出设计特别实用——不用为每个属性单独训练独立模型，既能节省大量计算资源，还能让不同预测任务之间共享底层的通用图像特征，对于样本量较少的属性预测任务，能有效提升模型的泛化能力。

内容的提问来源于stack exchange，提问作者Grigorios Kalliatakis