TensorFlow多输出模型如何通过Keras API调整指定样本的梯度权重

完全可以通过Keras原生API实现你的需求，无需维护复杂的自定义训练循环，具体方案如下：

核心原理 #

Keras的model.fit()内置支持样本级加权机制，训练时会自动将每个样本的损失乘以对应权重再反向传播，和你自定义训练循环的预期逻辑完全一致。

具体实现步骤 #

• 第一步：拆分你的标注数据，将原y数组拆分为真实标签、样本权重两部分：

  y_true = y[:, 0] # 准确的标注值
  sample_weights = y[:, 1] # 预先计算好的样本权重
  

• 第二步：直接用model.fit()训练，两种传入权重的方式可选：
  1. 手动传入sample_weight参数：

  model.fit(
      x_train, 
      y_true, 
      sample_weight=sample_weights,
      epochs=你的训练轮数,
      batch_size=你的批次大小
  )
  

  2. 如果你用tf.data.Dataset构建数据集，直接将权重作为第三个元素加入数据集即可：

  train_dataset = tf.data.Dataset.from_tensor_slices((x_train, y_true, sample_weights)).batch(batch_size)
  model.fit(train_dataset, epochs=你的训练轮数)
  

多输出场景适配 #

如果你需要给两个输出头（y0/y1）设置全局的损失权重，可在模型编译时通过loss_weights参数指定，和样本加权可以叠加生效。如果部分样本的y1标注完全不可靠，直接将对应样本的y1损失权重设为0即可，Keras会自动忽略这部分无效标注的梯度更新：

model.compile(
    optimizer=optimizer,
    # 两个输出头分别对应的损失函数
    loss=[loss_fn_y0, loss_fn_y1],
    # 两个输出头的全局损失权重，可根据标注可靠性调整
    loss_weights=[1.0, 0.2]
)

原自定义训练循环的异常原因 #

你贴出的代码存在两个明显问题：

1. 语法错误：loss_2_train.update_state(y_true[:, 1], loss_value[:,1) 中右括号不匹配，少了]
2. 维度错误：你已经通过y_true = y[:, 0]提取了第一列作为真实标签，此时y_true是一维数组，后续更新指标时调用y_true[:, 0]/y_true[:, 1]会触发维度不匹配报错。

内容的提问来源于stack exchange，提问作者Alberto MQ