如何用python在DCNN卷积池化后构建两个模块，一个输出分类器，一个输出域分类器

首先，我们需要导入相关的库，如tensorflow、keras等。接下来，我们可以使用keras API中的Conv2D、MaxPooling2D、Flatten、Dense等层来构建DCNN网络。

然后，我们可以使用keras的Sequential模型来将各层组合起来构建模型。在DCNN网络的最后一层，我们需要将其展平为一维向量，然后连接一个输出分类器的全连接层，用于分类任务。

接着，我们需要再构建一个域分类器，它的作用是判别输入数据来自哪个域。我们可以在DCNN网络的前面添加一些卷积层和池化层，然后将其展平为一维向量，连接一个输出域分类器的全连接层。

最后，我们可以使用keras的Model模型来将两个模块组合在一起，构建一个同时输出分类结果和域分类结果的模型。具体的代码实现如下：

import tensorflow as tf
from tensorflow import keras

# 构建DCNN网络
model = keras.Sequential([
    keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    keras.layers.MaxPooling2D((2, 2)),
    keras.layers.Conv2D(64, (3, 3), activation='relu'),
    keras.layers.MaxPooling2D((2, 2)),
    keras.layers.Flatten(),
    keras.layers.Dense(64, activation='relu'),
    keras.layers.Dense(10, activation='softmax')
])

# 构建域分类器
domain_model = keras.Sequential([
    keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    keras.layers.MaxPooling2D((2, 2)),
    keras.layers.Conv2D(64, (3, 3), activation='relu'),
    keras.layers.MaxPooling2D((2, 2)),
    keras.layers.Flatten(),
    keras.layers.Dense(64, activation='relu'),
    keras.layers.Dense(2, activation='softmax')
])

# 将两个模块组合起来
input_layer = keras.layers.Input(shape=(28, 28, 1))
output_layer = model(input_layer)
domain_output_layer = domain_model(input_layer)

combined_model = keras.Model(inputs=input_layer, outputs=[output_layer, domain_output_layer])

以上代码中，第一个模型`model`是输出分类结果的模型，第二个模型`domain_model`是输出域分类结果的模型。最后，使用keras的Model模型将两个模型组合在一起，形成`combined_model`。