Модель с несколькими выходами Keras

Question

Я использую функциональный API Keras для построения модели с несколькими (пятью) выходами и одним и тем же входом , чтобы одновременно прогнозировать различные свойства данных (изображения в моем случае).

Сводка этой модели следующая (заглавными буквами обозначены слои, которые были добавлены поверх предварительно обученного VGG16):

Форма данных, передаваемых в CNN, следующая:

# input images
('x_train shape:', (23706, 224, 224, 3))

('Head_1 shape:', (23706, 26))
('Head_2 shape:', (23706,))
('Head_3 shape:', (23706,))
('Head_4 shape:', (23706,))
('Head_5 shape:', (23706,))

Когда я подключаю к сети только один выход, обучение выполняется без проблем, но когда все выходы (или даже 2 из них) присутствуют, я получаю следующую ошибку:

Traceback (most recent call last):
history = model.fit_generator(datagen.flow(x_train, train_targets_list, batch_size=batch_size)
.
.
.
.

ValueError: could not broadcast input array from shape (23706,26) into shape (23706)

Есть идеи, что я делаю не так?

Также есть ли в документации какой-либо рабочий пример, описывающий аналогичный случай для моделей с несколькими выходами?

# dimensions of our images.
img_width, img_height = 224, 224

if K.image_data_format() == 'channels_first':
    input_shape = (3, img_width, img_height)
else:
    input_shape = (img_width, img_height, 3)

input_tensor = Input(shape=input_shape, name='IMAGES')


base_model = VGG16(weights='imagenet', include_top=False, input_tensor=input_tensor)

x = base_model.output

x = GlobalAveragePooling2D(name='GAP')(x)

x = Dense(256, activation='relu', name='FC1')(x)
x = Dropout(0.5, name='DROPOUT')(x)


head_1 = Dense(26, activation='sigmoid', name='PREDICTION1') (x)
head_2 = Dense (1, name='PREDICTION2')(x)
head_3 = Dense (1, name='PREDICTION3')(x)
head_4 = Dense (1, name='PREDICTION4')(x)
head_5 = Dense (1, name='PREDICTION5')(x)

outputs_list = [head_1, head_2, head_3, head_4, head_5]


model = Model(inputs=input_tensor, outputs=outputs_list)



for layer in base_model.layers:
    layer.trainable = False


losses_list = ['binary_crossentropy','mse','mse','mse', 'mse']

model.compile(optimizer=SGD(lr=0.0001, momentum=0.9),
              loss=losses_list,
              metrics=['accuracy'])


print x_train.shape -> (23706, 224, 224, 3)

for y in train_targets_list:
    print len(y)

23706
23706
23706
23706
23706