我使用了 tensorflow 的 Dataset，其中 y 是一个包含 6 个张量的字典，这些张量都用于一个单一的损失函数，函数如下所示：
def CustomLoss(): def custom_loss(y_true, y_pred): a = tf.keras.losses.binary_crossentropy(y_true['a_0'], y_pred[0]) * y_true['a_1'] b = tf.square(y_true['b_0'] - y_pred[1]) * y_true['b_1'] c = tf.abs(y_true['c_0'] - y_pred[2]) * y_true['c_1'] return a + b + c return custom_loss我的模型有 3 个不同形状的输出。当我编译模型并调用 fit 方法时，我得到了 Value Error
model.compile(optimizer=optimizer, loss=CustomLoss())model.fit(dataset, epochs=10)ValueError: Found unexpected keys that do not correspond to any Model output: dict_keys(['a_0', 'a_1', 'b_0', 'b_1', 'c_0', 'c_1']). Expected: ['output_0', 'output_1', 'output_2']其中 output_0, 'output_1', 'output_2' 是输出层的名称。
我认为通过将输出层的名称设置为数据集中的键可以解决这个问题，但问题是我在数据集中有 6 个张量，而只有 3 个输出。我知道我可以为每个输出分配一个损失函数，并使用单个数据集的真实值张量，但同样，我需要至少传递两个张量作为真实值。
到目前为止，我使用了自定义训练循环，但我更希望使用 fit 方法。我使用的是 tensorflow 2.3.1
编辑：
示例模型：
inputs = x = tf.keras.layers.Input((256, 256, 3))x = tf.keras.applications.ResNet50(include_top=False, weights=None)(x)x1 = tf.keras.layers.Flatten()(x)x1 = tf.keras.layers.Dense(2, name='output_1')(x1)x2 = tf.keras.layers.Conv2D(256, 1, name='output_2')(x)x3 = tf.keras.layers.Flatten()(x)x3 = tf.keras.layers.Dense(64, name='output_3')(x3)model = tf.keras.Model(inputs=inputs, outputs=[x1, x2, x3])自定义训练循环：
avg_loss = tf.keras.metrics.Mean('loss', dtype=tf.float32)for epoch in range(1, epochs+1): for batch, (images, labels) in enumerate(train_dataset): with tf.GradientTape() as tape: outputs = model(images, training=False) reg_loss = tf.reduce_sum(model.losses) pred_loss = loss(labels, outputs) total_loss = tf.reduce_sum(pred_loss) + reg_loss grads = tape.gradient(total_loss, model.trainable_variables) optimizer.apply_gradients(zip(grads, model.trainable_variables)) avg_loss.update_state(total_loss) print(f'Epoch {epoch}/{epochs} - Loss: {avg_loss.result().numpy()}') avg_loss.reset_states()最小的可复现代码：
import tensorflow as tfdef CustomLoss(): def custom_loss(y_true, y_pred): a = tf.keras.losses.binary_crossentropy(y_true['a_0'], y_pred[0]) * y_true['a_1'] b = tf.square(y_true['b_0'] - y_pred[1]) * y_true['b_1'] b = tf.reduce_sum(b, axis=(1, 2, 3)) c = tf.abs(y_true['c_0'] - y_pred[2]) * y_true['c_1'] c = tf.reduce_sum(c, axis=1) return a + b + c return custom_lossdataset = tf.data.Dataset.from_tensors(( tf.random.uniform((256, 256, 3)), {'a_0': [0., 1.], 'a_1': [1.], 'b_0': tf.random.uniform((8, 8, 256)), 'b_1': [1.], 'c_0': tf.random.uniform((64,)), 'c_1': [1.]}))dataset = dataset.batch(1)inputs = x = tf.keras.layers.Input((256, 256, 3))x = tf.keras.applications.ResNet50(include_top=False, weights=None)(x)x1 = tf.keras.layers.Flatten()(x)x1 = tf.keras.layers.Dense(2, name='output_1')(x1)x2 = tf.keras.layers.Conv2D(256, 1, name='output_2')(x)x3 = tf.keras.layers.Flatten()(x)x3 = tf.keras.layers.Dense(64, name='output_3')(x3)model = tf.keras.Model(inputs=inputs, outputs=[x1, x2, x3])optimizer = tf.keras.optimizers.Adam(1e-3)model.compile(optimizer=optimizer, loss=CustomLoss())model.fit(dataset, epochs=1)回答：
这里是针对您情况的一种方法。我们将继续使用自定义训练循环，但也利用便捷的 .fit 方法，通过自定义此方法来实现。请查看文档以了解更多关于此方法的详细信息：Customizing what happens in fit()
这里是一个简单的演示，扩展了您的可复现代码。
import tensorflow as tf# 数据集 dataset = tf.data.Dataset.from_tensors(( tf.random.uniform((256, 256, 3)), {'a_0': [0., 1.], 'a_1': [1.], 'b_0': tf.random.uniform((8, 8, 256)), 'b_1': [1.], 'c_0': tf.random.uniform((64,)), 'c_1': [1.]}))dataset = dataset.batch(1)# 自定义损失函数 def loss(y_true, y_pred): a = tf.keras.losses.binary_crossentropy(y_true['a_0'], y_pred[0]) * y_true['a_1'] b = tf.square(y_true['b_0'] - y_pred[1]) * y_true['b_1'] b = tf.reduce_sum(b, axis=(1, 2, 3)) c = tf.abs(y_true['c_0'] - y_pred[2]) * y_true['c_1'] c = tf.reduce_sum(c, axis=1) return a + b + c