我正在 keras (python, backend: tensorflow) 中训练一个神经网络作为回归。因此，我的输出层不包含激活函数，我使用均方误差作为我的损失函数。
我的问题是：我想确保所有输出估计的总和（几乎）等于所有实际标签的总和。
我的意思是：我想确保不仅 (y_real)^i ~ (y_predict)^i 对于每个训练示例 i，而且还保证 sum(y_real) = sum(y_predict)，对所有 i 求和。常规线性回归使添加此限制变得足够简单，但我没有看到神经网络有任何类似的东西。我可以将最终结果乘以 sum(y_real) / sum(y_predict)，但如果我不想损害个人预测，恐怕这不是理想的方法。
我还有什么其他选择？
（我无法共享我的数据，也无法使用不同的数据轻松重现该问题，但这是按要求使用的代码：）
from keras.models import Sequential
from keras.layers import Dense
model = Sequential()
model.add(Dense(128, activation = 'relu', input_dim = 459))
model.add(Dense(32, activation = 'relu'))
model.add(Dense(1))
model.compile(loss = 'mean_squared_error',
optimizer = 'adam')
model.fit(X_train, Y_train, epochs = 5, validation_data = (X_val,
Y_val), batch_size = 128)