Keras 多输出问题未应用适当的损失函数

如何解决Keras 多输出问题未应用适当的损失函数

我正在尝试在每个输出中使用不同的损失函数来实现多输出回归问题，如 Functional API 中所述。对于每个输出，我尝试使用与每个输出对应的自定义损失函数（分位数）。然而，该模型似乎并没有适当地应用不同的损失函数，并且只针对其中一个（它恰好是列表中的最后一个）评估每个输出。

quantiles = [0.05,0.5,0.95]

input_layer = keras.Input(shape=(inputs_norm.shape[1]),name="input")
hidden_layer_1 = layers.Dense(units=100,name='hidden_1',activation='tanh',kernel_regularizer=regularizers.l2(0.05))(input_layer)

output_layers = []
losses = {}

def quantile_loss(q,y,f): #Custom quantile loss function with parameter q
    e = (y-f)
    return K.mean(K.maximum(q*e,(q-1)*e),axis=-1)

for q in quantiles:
    name = 'q{:0.2f}'.format(q) #Name to give each layer/loss function
    output_layers.append(layers.Dense(1,name=name)(hidden_layer_1)) #Add output layers for each quantile
    losses[name] = lambda y,f:quantile_loss(q,f) #Specify loss function for each output layer

model = keras.Model(inputs=input_layer,outputs=output_layers)
model.compile(optimizer='Adam',loss=losses)

model.fit(x=X_train,y=y_train,verbose=1,epochs=20,batch_size=8)

在训练期间，模型快速收敛到每个输出的值。在测试样本上评估模型对每个输出层产生相同的损失：

sample_x = X_test[0:24,:]
sample_y = y_test[0:24] * targets.std() + targets.mean()

print(model.evaluate(sample_x,sample_y))

1/1 [==============================] - 0s 12ms/step - loss: 42.3914 - q0.05_loss: 14.1223 - q0.50_loss: 14.1212 - q0.95_loss: 14.1231
[42.39143753051758,14.122288703918457,14.121197700500488,14.123051643371582]

但是，正如我所期望的那样，单独循环每个损失函数会产生不同的损失值。

preds = model.predict(sample_x)
test_losses = []

for i in range(0,len(quantiles)):
    q = quantiles[i]
    print(K.mean(model.loss['q{:0.2f}'.format(q)](sample_y,preds[i])))

tf.Tensor(0.8576285001198866,shape=(),dtype=float64)
tf.Tensor(7.439945051634891,dtype=float64)
tf.Tensor(14.023351473256945,dtype=float64)

这个真的让我头疼。我的直觉告诉我，我指定输出层或损失函数的方式有问题。