我们可以只在数据集的某些类别上训练模型吗

Question

我想在数据集的不同类别上训练一些模型，以便每个模型在输出层中只有相关数量的节点。稍后，我想通过制作一个公共向量来结合他们的学习，例如，聚合他们的输出。并且最终/聚合模型将从这个聚合输出向量中学习。

例如，对于 Cifar 10 数据集，我有两个模型；模型 1 和模型 2。 Model-1 仅具有 1,3,5,7 类的样本，而 Model-2 具有 0,3,5,8,9 类的样本。很明显，model1 只有 4 个类的样本，所以它在输出层应该只有 4 个节点。同样，Model-2 有 5 个类的样本，所以它的输出层应该有 5 个节点。

据我了解；

cifar 10 数据集中的实际类数：[0,1,2,3,4,5,6,7,8,9]

Model-1 的类：[1,3,5,7]

Model-2 的类：[0,3,5,8,9]

我只是制作了两个具有相关节点数的模型。但是，当我尝试使用 keras.utils.np_utils.to_categorical(y,num_classes=4) 为 Model-1 应用一种热编码时，它不允许我这样做并且它给出了以下错误：

InvalidArgumentError:  logits and labels must be broadcastable: logits_size=[32,4] labels_size=[32,7]

我进一步浏览了互联网，发现这是由于标签和类大小的差异，即 Model-1 的最大值。类标签为7，因此这意味着一种热编码期望num_classes为7而不是4。但是，根据要求，我必须遵循相同的设置，即只有相关数量的节点应该在模型的输出层中。

任何建议都将不胜感激。

Answer 1

最后。我得到了解决方案。谢谢。