神经网络中多输出特征怎么写代码

感谢您的提问！如果您想要神经网络中多输出特征的代码，以下是一个简单的示例：

import tensorflow as tf

# 定义神经网络
def neural_network(x):
    hidden_layer = tf.layers.dense(x, 128, activation=tf.nn.relu)
    output1 = tf.layers.dense(hidden_layer, 10)
    output2 = tf.layers.dense(hidden_layer, 5)
    return output1, output2

# 定义输入数据和标签
x = tf.placeholder(tf.float32, [None, 784])
y1 = tf.placeholder(tf.int32, [None])
y2 = tf.placeholder(tf.int32, [None])

# 构建神经网络
output1, output2 = neural_network(x)

# 定义损失函数和优化器
loss1 = tf.nn.sparse_softmax_cross_entropy_with_logits(labels=y1, logits=output1)
loss2 = tf.nn.sparse_softmax_cross_entropy_with_logits(labels=y2, logits=output2)
loss = loss1 + loss2
optimizer = tf.train.AdamOptimizer().minimize(loss)

# 训练模型
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for i in range(1000):
        batch_x, batch_y1, batch_y2 = # 获取数据和标签
        _, l = sess.run([optimizer, loss], feed_dict={x: batch_x, y1: batch_y1, y2: batch_y2})
        if i % 100 == 0:
            print('Epoch %d Loss: %f' % (i, l))

在上述代码中，`neural_network` 函数定义了一个简单的神经网络，其中输出了两个特征：`output1` 和 `output2`。在模型训练时，我们需要分别定义两个损失函数（`loss1` 和 `loss2`），并将它们加起来作为最终的损失函数来进行优化。训练时，使用 `feed_dict` 将输入数据和标签传入模型中。

希望这个简单的示例能够帮助您解决问题！