SimoneKeras如何做multi-task learning？
的有关信息介绍如下：
最近在做FashionAI全球挑战赛-服饰属性标签识别 | 赛制介绍，就涉及到了 multi-task 的问题，一个服装进来可能是识别袖子长度，也有可能是识别裙子长度，还有可能是识别裤子长度，如图：
那么就需要多个输出，每个输出都是一个 softmax 分类器，在这个比赛里面，我们有如下几个分类，每个分类又有不同的类别数：
根据此变量，我们可以搭建出如下的模型：
关键代码就是这一句：
它遍历了 label_count 中的分类名称和对应的分类数量，分别搭建了不同神经元数量的分类器，并且为每个全连接层设置了对应的名称，方便之后训练的时候观察每个分类的训练情况。
那么可视化该模型即可输出下图：
模型看上去很复杂，实际上只是多个分类器接在了预训练模型 InceptionResNetV2 输出的特征而已。
对应的 label 则按照真实 label 设定，如果对应分类不存在，设置全0即可。比如有裤子就没有裙子，那么裙子对应的label就是全0。
只需要把真实类别对应的位置设置为1，其他地方设置为0即可。
训练的时候如果有很多全0的类别，可能会影响准确率的计算，可以在训练完以后，自行计算准确率，也可以自定义一个 metric 函数。
上面这个模型在测试集上拿到了 0.9701 的分数，证明了此方案的可行性。
