多任务神经网络中Model.evaluate()返回浮点数而非列表的问题

问题背景 #

搭建多任务神经网络时，调用Model.evaluate()期望得到各任务损失的列表，但实际返回单一标量，model.metrics_names仅显示'loss'。原复现代码如下：

import numpy as np
from keras.layers import Input, Dense
from keras.models import Model

X = np.random.random((10, 10))
y = {'pi': np.random.random((10,)), 'u':  np.random.random((10,))}

in_layer = Input(shape=X.shape[1:])
out1 = Dense(1, name='pi')(in_layer)
out2 = Dense(1, name='u')(in_layer)
model = Model(inputs=in_layer, outputs=[out1,out2])
model.compile(loss={'pi': 'mean_squared_error', 'u': 'mean_squared_error'}, optimizer = 'adam')

model.fit(X,y)
print(model.evaluate(X, y)) # 返回单一浮点数
print(model.metrics_names) # ['loss']

解决方法 #

方法1：使用return_dict=True参数（推荐，适用于TensorFlow 2.x/Keras 2.0.9+）

调用evaluate()时添加return_dict=True，会返回包含总损失和各任务单独损失的字典：

results = model.evaluate(X, y, return_dict=True)
print(results)
# 输出示例：{'loss': 0.215, 'pi_loss': 0.098, 'u_loss': 0.117}

此时可直接通过键名获取对应任务的损失值，比如results['pi_loss']。

方法2：显式将各任务损失设为指标（兼容旧版本）

在compile()时，为每个输出添加对应的损失作为指标：

model.compile(
    loss={'pi': 'mean_squared_error', 'u': 'mean_squared_error'},
    optimizer='adam',
    metrics={'pi': ['mean_squared_error'], 'u': ['mean_squared_error']}
)

此时调用evaluate()会返回列表，顺序对应model.metrics_names的结果：

loss_values = model.evaluate(X, y)
print(model.metrics_names) # ['loss', 'pi_mean_squared_error', 'u_mean_squared_error']
print(loss_values) # [总损失, pi任务损失, u任务损失]

核心原因 #

默认情况下，Keras仅计算并返回所有任务损失的加权总和（默认权重为1），不会自动跟踪每个任务的单独损失。只有显式指定需要输出这些损失（通过指标或return_dict参数），才能获取到各任务的具体损失值。

内容的提问来源于stack exchange，提问作者BigBossRob