我有一个多示例数据集，我想使用Keras的Functional API来预测示例类别和（派生的）行李标签。简单的示例预测很有效，从中获取行李标签也很有效。但由于行李标签在模型之外，结果似乎不是最优的。
我的想法如下：
1.对于袋子中的每个示例，启动模型的一个单独分支。
1.在通过其分支运行每个示例之后，连接结果。
1.连接后，根据概率预测袋子标签
到目前为止，我已经写了-这里，n_instances是每个包的示例数，n_feat是每个示例的特征数，n_classes是一个示例/包可能属于的类别数。

from keras.layers import *

inputs = []
instance_layer = [None] * n_instances

for i in range(n_instances):
    inp = Input(shape=n_feat)
    inputs.append(inp)
    instance_layer[i] = Dense(units=256, activation='ReLU')(inp)
    instance_layer[i] = Dense(units=128, activation='ReLU')(instance_layer[i])
    instance_layer[i] = Dense(units=64, activation='ReLU')(instance_layer[i])
    instance_layer[i] = Dense(units=n_classes + 1, activation='sigmoid')(instance_layer[i])  # output to be converted to one-hot vector

output_tensor = Concatenate()(instance_layer)

"""
Code to go from concatenated tensor to a single bag prediction
"""

model = tf.keras.models.Model(inputs, output_tensor)

问题：

• 在我看来，好像每个示例都看到一个单独的模型，而我希望保持模型相同
• Concatenate（）生成长度为n_instances * n_classes的Tensor，而我感兴趣的是形状为（n_instances，n_classes）的Tensor，我更喜欢使用CategoricalCrossEntropy作为损失函数。
• 关于如何从示例预测的Tensor到袋子预测，有什么建议吗？