python - 限制神经网络回归中的输出总和（Keras）

我正在预测7个目标，这是一个值的比率，因此对于每个样本，所有预测值的总和应为1。除了softmax在输出端使用（似乎显然不正确）之外，我只是想不出其他方法来限制总和所有预测的输出为= 1 ..
谢谢您的建议。

input_x = Input(shape=(input_size,))
output = Dense(512, activation=PReLU())(input_x)
output = Dropout(0.5)(output)
output = Dense(512, activation=PReLU())(output)
output = Dropout(0.5)(output)
output = Dense(16, activation=PReLU())(output)
output = Dropout(0.3)(output)
outputs = Dense(output_size, activation='softmax')(output)
#outputs = [Dense(1, activation=PReLU())(output) for i in range(output_size)] #multioutput nn

nn = Model(inputs=input_x, outputs=outputs)
es = EarlyStopping(monitor='val_loss',min_delta=0,patience=10,verbose=1, mode='auto')
opt=Adam(lr=0.001, decay=1-0.995)
nn.compile(loss='mean_absolute_error', optimizer=opt)
history = nn.fit(X, Y, validation_data = (X_t, Y_t), epochs=100, verbose=1, callbacks=[es])

目标示例：

因此，这是一个要素的所有比率，每一行的总和= 1。
例如功能-“总计” = 100分，A = 25分，B = 25分，其他所有-10分。因此，我的7个目标比率将为0.25 / 0.25 / 0.1 / 0.1 / 0.1 / 0.1 / 0.1 / 0.1。

我需要训练和预测这样的比率，因此在将来知道“总计”时，我们可以从预测的比率中恢复点。