Keras多输入多输出模型如何使用单一自定义损失函数训练？

当然可以！你完全可以用Keras的常规model.compile()和model.fit()来实现这个需求，不需要自定义训练循环。核心思路是把那两个可学习参数也作为模型的输出层，然后在统一损失函数里同时访问所有输出和真实标签。下面是具体的实现步骤和示例：

1. 构建包含4个输出的模型 #

首先，你需要把2个真实预测输出和2个可学习权重都作为模型的输出。对于可学习权重，我们用自定义层来实现（比Lambda层更规范，能正确处理权重的保存/加载）：

import tensorflow as tf
from tensorflow.keras.layers import Input, Dense, Concatenate, Layer
from tensorflow.keras.models import Model

# 自定义可学习权重层
class LearnableWeight(Layer):
    def __init__(self, initial_value=1.0, **kwargs):
        super().__init__(**kwargs)
        # 定义可学习权重，初始值设为1.0（你可以根据需求调整）
        self.weight = self.add_weight(
            shape=(1,),
            initializer=tf.constant_initializer(initial_value),
            trainable=True,
            name=f"{self.name}_weight"
        )
    
    def call(self, inputs):
        # 将权重广播到与输入批次匹配的形状（避免形状不兼容）
        return tf.broadcast_to(self.weight, tf.shape(inputs)[:1] + (1,))

# 定义输入层（3个输入）
input_a = Input(shape=(10,), name="input_a")
input_b = Input(shape=(5,), name="input_b")
input_c = Input(shape=(3,), name="input_c")

# 模型主体结构（根据你的任务调整）
x = Concatenate()([input_a, input_b, input_c])
x = Dense(64, activation="relu")(x)
x = Dense(32, activation="relu")(x)

# 2个真实输出层
output_y1 = Dense(1, name="output_y1")(x)
output_y2 = Dense(2, name="output_y2")(x)  # 假设y2是多分类输出

# 2个可学习权重输出层
weight_w1 = LearnableWeight(initial_value=1.0, name="weight_w1")(x)
weight_w2 = LearnableWeight(initial_value=1.0, name="weight_w2")(x)

# 构建完整模型
model = Model(
    inputs=[input_a, input_b, input_c],
    outputs=[output_y1, output_y2, weight_w1, weight_w2]
)

2. 准备适配4个输出的数据集 #

因为模型有4个输出，你的tf.data数据集需要为每个输出提供对应的“标签”。对于那两个可学习权重的输出，我们不需要真实标签，所以可以用dummy标签（比如全0张量）来占位：

# 假设你有以下真实数据
input_a_data = tf.random.normal((1000, 10))
input_b_data = tf.random.normal((1000, 5))
input_c_data = tf.random.normal((1000, 3))
y1_true = tf.random.normal((1000, 1))
y2_true = tf.random.uniform((1000, 2), maxval=2, dtype=tf.int32)

# 创建dummy标签，形状与权重输出一致
dummy_w1 = tf.zeros_like(weight_w1)  # 或者直接tf.zeros((1000, 1))
dummy_w2 = tf.zeros_like(weight_w2)

# 构建数据集
dataset = tf.data.Dataset.from_tensor_slices(
    (
        [input_a_data, input_b_data, input_c_data],
        [y1_true, y2_true, dummy_w1, dummy_w2]
    )
)
# 预处理（batch、shuffle等）
dataset = dataset.shuffle(100).batch(32).prefetch(tf.data.AUTOTUNE)

3. 实现统一损失函数 #

这个函数会接收所有的y_true（包含真实标签和dummy标签）和y_pred（包含2个真实预测和2个可学习权重），然后根据你的复杂公式计算总损失：

def unified_loss(y_true, y_pred):
    # 拆分输入：y_true是[真实y1标签, 真实y2标签, dummy_w1, dummy_w2]
    y1_true, y2_true, _, _ = y_true
    # y_pred是[y1预测值, y2预测值, w1权重, w2权重]
    y1_pred, y2_pred, w1, w2 = y_pred

    # 计算基础损失（根据你的任务选择损失函数）
    loss_y1 = tf.keras.losses.MSE(y1_true, y1_pred)
    loss_y2 = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)(y2_true, y2_pred)

    # 实现你的复杂损失公式（这里只是示例，替换成你的逻辑）
    # 比如：总损失 = w1*loss_y1 + w2*loss_y2 + 权重正则化项
    total_loss = tf.reduce_mean(w1 * loss_y1) + tf.reduce_mean(w2 * loss_y2)
    # 添加正则化，防止权重过大（可选）
    total_loss += 0.01 * (tf.reduce_mean(w1**2) + tf.reduce_mean(w2**2))

    return total_loss

4. 编译并训练模型 #

现在就可以用常规的compile()和fit()方法了，完全保留Keras的所有内置功能（回调、模型保存、进度条等）：

# 编译模型
model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=0.001), loss=unified_loss)

# 训练模型
model.fit(
    dataset,
    epochs=50,
    callbacks=[tf.keras.callbacks.ModelCheckpoint("best_model.h5", save_best_only=True)]
)

关键注意事项 #

• 权重约束：如果你的权重需要满足特定条件（比如必须为正），可以在自定义LearnableWeight层的call方法里添加激活函数，比如tf.nn.softplus(self.weight)来确保权重非负。
• 形状匹配：确保可学习权重的形状和损失计算时的张量形状兼容，用tf.broadcast_to可以轻松解决批次维度的匹配问题。
• dummy标签：这些标签不会参与损失计算，所以随便用什么值都可以，只要形状和对应输出一致就行。

内容的提问来源于stack exchange，提问作者samuraikmc