Keras多输出模型中分类交叉熵凸组合自定义损失函数问题

嘿，针对你在Keras里实现加权多输出损失时碰到的两个问题，我来一步步拆解解决：

不需要。你的需求是把两个输出的分类交叉熵按λ*L1 + (1-λ)*L2合并，这里有两种更合理的实现思路，比你之前的写法更规范：

思路一：用Keras内置的loss_weights直接实现（推荐） #

这种方法不需要写自定义损失，利用Keras原生的多输出损失加权功能，简洁又好调试：

假设你的模型有两个输出：第一个是二分类任务（用binary_crossentropy），第二个是多分类任务（用categorical_crossentropy），代码示例如下：

from keras import losses, metrics, optimizers
from keras.models import Model
from keras.layers import Input, Dense

# 先搭建一个示例多输出模型
input_layer = Input(shape=(10,))
# 输出1：二分类，用sigmoid激活
output1 = Dense(1, activation='sigmoid', name='output1')(input_layer)
# 输出2：多分类（比如3类），用softmax激活
output2 = Dense(3, activation='softmax', name='output2')(input_layer)
model = Model(inputs=input_layer, outputs=[output1, output2])

# 设置你的λ值
lambda_val = 0.8

# 编译模型时指定每个输出的损失+权重
model.compile(
    optimizer=optimizers.Adam(),
    # 给每个输出指定对应的损失函数
    loss={'output1': losses.binary_crossentropy, 'output2': losses.categorical_crossentropy},
    # 给两个损失设置权重，自动计算λ*L1 + (1-λ)*L2
    loss_weights={'output1': lambda_val, 'output2': 1 - lambda_val},
    metrics=[metrics.categorical_accuracy]
)

这种方式的好处是Keras会自动帮你管理两个输出的损失，你还能在训练日志里看到每个输出的单独损失值，方便调试。

思路二：自定义支持传参的损失函数 #

如果你一定要用自定义损失函数，需要解决两个核心点：

1. 多输出场景下，y_true和y_pred是列表，每个元素对应一个输出的真实标签/预测结果（不是你之前假设的拼接张量）
2. 用闭包或类的方式把λ参数传入损失函数（因为Keras要求损失函数只能接收y_true和y_pred两个参数）

用闭包实现（简单场景推荐） #

from keras import losses

def get_weighted_loss(lambda_val):
    # 外层函数接收λ，返回真正的损失函数
    def weighted_loss(y_true, y_pred):
        # y_true = [output1的真实标签, output2的真实标签]
        # y_pred = [output1的预测结果, output2的预测结果]
        l1 = losses.binary_crossentropy(y_true[0], y_pred[0])
        l2 = losses.categorical_crossentropy(y_true[1], y_pred[1])
        return lambda_val * l1 + (1 - lambda_val) * l2
    return weighted_loss

# 使用时先传入λ得到具体的损失函数
lambda_val = 0.8
my_loss = get_weighted_loss(lambda_val)

# 编译时只需传一次这个损失函数
model.compile(
    optimizer='Adam',
    loss=my_loss,
    metrics=[metrics.categorical_accuracy]
)

用类实现（复杂损失场景推荐） #

如果你的损失逻辑以后可能扩展，用类继承keras.losses.Loss会更灵活：

from keras.losses import Loss

class WeightedCrossentropyLoss(Loss):
    def __init__(self, lambda_val, name='weighted_crossentropy'):
        super().__init__(name=name)
        self.lambda_val = lambda_val  # 保存λ参数

    def call(self, y_true, y_pred):
        # 同样处理列表形式的y_true和y_pred
        l1 = losses.binary_crossentropy(y_true[0], y_pred[0])
        l2 = losses.categorical_crossentropy(y_true[1], y_pred[1])
        return self.lambda_val * l1 + (1 - self.lambda_val) * l2

# 实例化时传入λ
my_loss = WeightedCrossentropyLoss(lambda_val=0.8)
model.compile(optimizer='Adam', loss=my_loss, metrics=[metrics.categorical_accuracy])

上面的闭包和类写法就是解决这个问题的标准方案：

• 闭包通过外层函数接收λ，内层损失函数可以直接引用这个参数
• 类通过__init__方法接收λ并保存为实例属性，在call方法中使用

另外要纠正你之前的一个小误区：如果你的数据集是把两个输出的标签拼接成了一个张量（比如y_true[:,0]是第一个输出的标签，y_true[:,1:]是第二个），虽然也可以调整自定义损失的写法，但这种方式不符合Keras多输出模型的规范，建议把标签拆分成两个单独的数组，用列表形式传入模型训练，这样代码更清晰。

内容的提问来源于stack exchange，提问作者MikeCN