Keras多输出模型训练时整体准确率不显示的问题咨询

我来帮你逐一梳理这两个问题：

问题1：loss和val_loss是否代表整体损失与验证损失？ #

没错，在你这种多输出模型里，训练日志里的loss就是模型所有输出头损失的总和——如果你在编译模型时设置了loss_weights参数，那就是加权后的总和；如果没设置，就是各个输出头损失直接相加的结果。对应的val_loss则是在验证集上计算得到的整体损失值，逻辑和训练集的loss完全一致。

顺带提一句，每个输出头的单独损失其实也会被计算，但默认不会显示在日志里。如果想查看单个输出的损失，可以在metrics字典里给对应输出额外添加损失指标（比如给output_a加上crossentropy），这样日志里就会显示该输出的单独损失了。

问题2：如何让整体准确率显示在训练日志中？ #

首先得明确：你的模型里既有分类任务（output_a、output_e）又有回归任务（output_b/c/d），回归任务本身不存在“准确率”这个指标，所以这里的“整体准确率”应该是指分类任务的综合准确率。要实现这个，你需要自定义一个整体准确率指标，然后把它加入到模型的metrics中，具体步骤如下：

步骤1：自定义整体准确率指标 #

根据你的任务需求，比如把output_a和output_e的准确率取平均（你也可以根据任务重要性设置不同权重），可以写一个自定义函数：

import tensorflow as tf
from tensorflow.keras import backend as K

def overall_class_accuracy(y_true, y_pred):
    # 拆分多输出的真实标签与预测值
    y_true_a, _, _, _, y_true_e = y_true
    y_pred_a, _, _, _, y_pred_e = y_pred
    
    # 计算output_a的分类准确率（因为用了交叉熵，需要先转成类别索引）
    acc_a = K.cast(K.equal(K.argmax(y_true_a, axis=-1), K.argmax(y_pred_a, axis=-1)), K.floatx())
    acc_a = K.mean(acc_a)
    
    # 计算output_e的分类准确率
    acc_e = K.mean(K.cast(K.equal(K.argmax(y_true_e, axis=-1), K.argmax(y_pred_e, axis=-1)), K.floatx()))
    
    # 返回两个分类任务的平均准确率，可根据需求调整权重
    return (acc_a + acc_e) / 2

步骤2：在模型编译时添加自定义指标 #

修改模型编译代码，把自定义的整体准确率加入到metrics字典中（这里给整体指标起个直观的名字，比如overall_acc）：

model.compile(
    optimizer='adam',
    loss={'output_a': 'crossentropy', 'output_b': 'mse', 'output_c': 'mse', 'output_d': 'mse', 'output_e': 'categorical_crossentropy'},
    metrics={
        'output_a': ['crossentropy', 'categorical_accuracy'],
        'output_b': 'mse',
        'output_c': 'mse',
        'output_d': 'mse',
        'output_e': 'categorical_accuracy',
        'overall_acc': overall_class_accuracy
    }
)

这样训练时，日志里就会显示overall_acc和val_overall_acc这两个整体准确率指标了。

如果你只是想查看各个分类输出的单独准确率，那更简单——直接给output_a的metrics加上categorical_accuracy，日志里就会显示output_a_categorical_accuracy和output_e_categorical_accuracy了。

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