问有没有可能，如果可能，如何构建一个神经网络，使其不会在神经网络的某些区域反向传播？

EN

我有一个想法来改进我目前正在使用的神经网络，但我对机器学习还很陌生，所以我不知道它是否可能实现，它有多难，或者只是不值得。想法是这样的。我有一个图像样本，我必须将它们在信号和背景(0或1)之间进行分类。问题是，这些与变量x相关的图像与这个变量非常相关，这意味着通常情况下，具有相似x值的两个图像与具有非常不同的x值的两个图像更相似。所以我想，也许将这个样本训练成小样本会是一个好主意，每个图像更多地考虑具有相似x的图像训练的权重。这就是我想实现它的方式(可能这个实现并不是真的可行，所以如果你知道一个更可行的方法，请随时告诉我)：

现在，我对整个样本使用卷积神经网络，使用Keras，它是这样的：

def buildCNN(input_shape):
    model = Sequential()
    model.add(Conv2D(32, kernel_size=(3,3),activation='relu',input_shape=input_shape))
    model.add(Conv2D(64, (3,3), activation='relu'))
    model.add(MaxPooling2D(pool_size=(2,2)))
    model.add(Dropout(0.25))
    model.add(Flatten())
    model.add(Dense(128,activation='relu'))
    model.add(Dropout(0.5))
    model.add(Dense(1, activation='sigmoid'))
    return model

我的想法是将样本排列成例如20个类似x的小样本，并对每个小样本使用相同的CNN (可能会减少一点参数数量)，然后将这些不同的CNN与一些权重和偏差连接起来。然后，当训练和比较输出与实际值时，当反向传播时，我想只考虑训练这些外部权重以及与被训练图像对应的x的范围相对应的CNN，而保持其余CNN的参数值不变。现在，我不知道这样的东西是否存在，如果存在，如何在Keras中实现。你可以在我的代码中看到它非常简单，并且不太了解Keras，所以如果你有任何想法如何做到这一点，我也需要具体地使用Keras来实现它(如果使用Keras不可能，那么请说明是否可以使用其他选项以及如何实现)。

(顺便说一句，奖金问题与主要问题没有任何关系，所以没有必要回答，但如果你对它有所了解，它会有所帮助。我使用的图像的sahpe为(40，40)，因此分辨率较低。它们不是可以通过滤镜增强分辨率的图像类型，所以我别无选择，只能使用这种分辨率。问题是，我现在使用的CNN工作得很好，但我认为如果使用针对低分辨率图像的特定架构，它可以得到改进，但我还找不到任何关于它的东西。如果你对此有所了解，也请发表评论。)