Keras多任务模型仅针对第三个输出计算损失的报错解决

你的问题出在多输出模型的损失函数匹配逻辑上：当模型有多个输出时，如果你只指定一个自定义损失函数，Keras会默认把这个函数分别应用到每个输出张量上，而不是把整个输出列表传入函数。这就导致y_pred[-1]取的是单个输出张量的最后一个元素（比如第一个输出是(96,5)，y_pred[-1]就是(5,)形状的张量），和y_true的(96,6)形状不匹配，从而抛出错误。

下面是两种简单可行的解决方法：

方法一：编译时指定对应输出的损失（推荐） #

直接在模型编译阶段，为每个输出指定损失，前两个输出用None忽略损失计算，只给第三个输出分配分类交叉熵损失：

假设你的模型输出是三个张量组成的列表，编译代码如下：

import tensorflow as tf

# 假设model是你的多任务模型
model.compile(
    optimizer=tf.keras.optimizers.Adam(),
    # 按输出顺序对应：前两个输出不计算损失，第三个用分类交叉熵
    loss=[None, None, tf.keras.losses.CategoricalCrossentropy()]
)

如果你的输出层有命名（比如第三个输出层命名为task3_output），也可以用字典形式更清晰地指定：

model.compile(
    optimizer=tf.keras.optimizers.Adam(),
    loss={'task3_output': tf.keras.losses.CategoricalCrossentropy()}
)

这种方法不需要自定义损失函数，Keras会自动忽略前两个输出的损失计算，只针对第三个输出计算损失，是最简洁的方案。

方法二：调整自定义损失函数的使用方式 #

如果你一定要用自定义损失函数，需要确保Keras把整个输出列表传入损失函数。此时需要将模型的输出保持为列表结构，同时在编译时明确损失逻辑：

def my_loss_fn(y_true, y_pred):
    # 此时y_pred是整个输出列表：[[batch_size,5],[batch_size,6],[batch_size,6]]
    out = y_pred[-1]
    return tf.keras.losses.CategoricalCrossentropy()(y_true, out)

# 编译时，指定损失函数，训练时传入的y_true仅对应第三个输出的标签
model.compile(
    optimizer=tf.keras.optimizers.Adam(),
    loss=my_loss_fn,
    # 可选：仅关注第三个输出的指标
    metrics={'task3_output': tf.keras.metrics.CategoricalAccuracy()}
)

这种方法需要确保训练时传入的y_true仅对应第三个输出的标签，前两个输出的标签可以用None或任意占位符（因为不会参与损失计算），相对方法一来说更繁琐。

内容的提问来源于stack exchange，提问作者HuckleberryFinn