多输出LSTM模型更新疑问：仅单输出有新数据时如何更新？

针对这种仅单个输出有新数据的多输出LSTM模型更新需求，核心思路是只对目标输出相关的部分进行训练，忽略其他无新数据的输出，具体操作分以下几步：

• 调整模型编译配置
  原来的多输出模型编译时会给每个输出指定损失函数，现在把没有新数据的输出对应的损失设为None，这样Keras会自动跳过这些输出的损失计算与权重更新。示例代码：

  # 假设模型输出名称为'out1'至'out5'，仅'out3'有新数据
  model.compile(optimizer='adam',
                loss={'out1': None, 'out2': None, 'out3': 'mse', 'out4': None, 'out5': None})
  

• 构造训练数据并训练
  输入数据依然用完整的序列（因为LSTM共享层需要完整输入），但标签只需要传入有新数据的那个输出的数组，其他输出可以设为None或者直接不传入。示例代码：

  # x_train是完整的输入序列数据，y_train_out3是out3对应的新标签
  model.fit(x_train,
            {'out3': y_train_out3},
            epochs=10,
            batch_size=32)
  

• 可选：冻结非目标分支权重（更严格的控制）
  如果担心共享LSTM层的更新会影响其他输出的性能，可以手动冻结其他输出分支的层，只让目标分支和共享层（可选）更新。示例代码：

  # 找到其他输出对应的层，设置为不可训练
  for layer_name in ['out1_layer', 'out2_layer', 'out4_layer', 'out5_layer']:
      model.get_layer(layer_name).trainable = False
  # 修改可训练属性后必须重新编译模型
  model.compile(optimizer='adam', loss={'out3': 'mse'})
  

  要是连共享LSTM层也不想更新，直接把LSTM层的trainable设为False即可，但这可能会降低目标输出的更新效果，按需选择。

• 训练后验证
  训练完成后，模型就完成了单个输出的更新，其他输出的性能不会受这次训练影响。后续其他输出有新数据时，重复上述流程就行。

内容的提问来源于stack exchange，提问作者jiahao li