如何为Keras多输出模型编写自定义组合损失函数？

嘿，这个需求我熟，咱们一步步来搞定它！要把两个输出的损失结合成自定义函数，核心是搞懂Keras对多输出模型损失函数的要求——它需要接收真实标签的列表和预测输出的列表，最后返回一个标量损失值。下面直接上实操代码和解释：

1. 先给输出层加个名字（可选但推荐） #

为了后续编译和监控指标更清晰，建议给两个输出层指定名字：

from tensorflow.keras.layers import Dense

# 假设Hlayer2是你的隐藏层输出
out_1 = Dense(3, activation='linear', name='out_1')(Hlayer2)
out_2 = Dense(10, activation='sigmoid', name='out_2')(Hlayer2)

2. 编写自定义联合损失函数 #

这里以加权和为例（你可以替换成任何你需要的公式），比如给MSE损失和二分类交叉熵损失分别设置权重alpha和beta：

import tensorflow as tf
from tensorflow.keras.losses import mean_squared_error, binary_crossentropy

def combined_loss(y_true, y_pred):
    # 拆分真实标签和预测值：顺序和模型输出顺序一致（out_1在前，out_2在后）
    y_true_1, y_true_2 = y_true
    y_pred_1, y_pred_2 = y_pred
    
    # 计算两个基础损失
    mse_loss = mean_squared_error(y_true_1, y_pred_1)
    bce_loss = binary_crossentropy(y_true_2, y_pred_2)
    
    # 自定义组合公式：这里是加权平均，你可以改成任何逻辑
    alpha = 0.4  # out_1的MSE损失权重，按需调整
    beta = 0.6   # out_2的交叉熵损失权重，按需调整
    total_loss = alpha * tf.reduce_mean(mse_loss) + beta * tf.reduce_mean(bce_loss)
    
    return total_loss

关键细节说明： #

• y_true和y_pred都是列表，对应两个输出的真实标签和预测结果，顺序必须和模型输出层的定义顺序一致。
• 用Keras内置的损失函数（比如mean_squared_error）会自动处理张量运算和自动微分，比自己写更稳妥。
• 必须把损失降维成标量（用tf.reduce_mean或tf.reduce_sum），否则Keras会报错，因为模型只能接收单个标量损失用于反向传播。
• 如果你的公式需要两个输出之间的交互（比如用out_1的预测值调整out_2的损失），直接在函数里操作张量即可，Keras会自动处理反向传播逻辑。

3. 编译模型并指定指标 #

编译时，损失直接传自定义函数；如果需要监控每个输出的单独指标，用字典指定更清晰：

model.compile(
    optimizer='adam',
    loss=combined_loss,
    metrics={
        'out_1': ['mse'],          # 监控out_1的MSE指标
        'out_2': ['binary_accuracy']  # 监控out_2的二分类准确率
    }
)

4. 训练时的标签格式 #

训练时，输入的标签数据必须是列表形式，和输出层对应：

# 假设y_train_1形状是(样本数, 3)，y_train_2形状是(样本数, 10)
y_train = [y_train_1, y_train_2]
model.fit(x_train, y_train, epochs=10, batch_size=32)

自定义更复杂的损失公式示例 #

如果你的需求不是加权和，比如要结合准确率来调整损失，比如总损失 = MSE损失 + (1 - 准确率) * 交叉熵损失，可以这么改：

def combined_loss(y_true, y_pred):
    y_true_1, y_true_2 = y_true
    y_pred_1, y_pred_2 = y_pred
    
    # 计算基础损失
    mse_loss = tf.reduce_mean(mean_squared_error(y_true_1, y_pred_1))
    bce_loss = tf.reduce_mean(binary_crossentropy(y_true_2, y_pred_2))
    
    # 计算out_2的准确率
    accuracy = tf.reduce_mean(tf.keras.metrics.binary_accuracy(y_true_2, y_pred_2))
    
    # 自定义复杂公式
    total_loss = mse_loss + (1 - accuracy) * bce_loss
    
    return total_loss

这样就完全满足你的需求啦，根据自己的业务逻辑调整组合公式就行！

内容的提问来源于stack exchange，提问作者Eka