sample_weight 参数需传入与样本一一对应的1D数组，shape为(batch_size,)；多输出模型须用字典指定各输出层权重，Keras在损失计算后加权平均再反向传播。

sample_weight 参数在 tf.keras.Model.fit() 中怎么传

直接把权重数组塞进 fit() 的 sample_weight 参数就行，但必须和训练数据一一对应。比如你有 100 个样本，sample_weight 就得是长度为 100 的 NumPy 数组或 Tensor。

• 如果用 x 和 y 分开传，权重要单独给：model.fit(x, y, sample_weight=weights)
• 如果用 tf.data.Dataset，得在构建时把权重作为第三项：每条数据得是 (x, y, weight) 元组，然后用 dataset.map(lambda x, y, w: ((x, y), w)) 或类似方式对齐结构
• 权重 shape 必须是 (batch_size,)；不能是 (batch_size, 1) 或 (batch_size, num_classes)，否则会报 ValueError: sample_weight tensor must be 1D

加权逻辑实际发生在哪一层

不是模型自己“感知”了权重，而是 Keras 在计算损失后、反向传播前，把每个样本的 loss 值乘上对应 sample_weight，再求平均（默认 reduction=tf.keras.losses.Reduction.AUTO，即按 batch 平均）。所以它不改变 loss 函数本身的输出值，只影响梯度更新的权重分配。

• 如果你用的是自定义 loss 函数，Keras 仍会自动应用 sample_weight——前提是没手动关掉 reduction
• 若 loss 函数返回的是 per-sample loss（shape 为 (batch_size,)），Keras 会直接做加权平均；若返回标量（如某些旧写法），sample_weight 就无效
• 注意 tf.keras.losses.sparse_categorical_crossentropy 等内置函数默认返回 per-sample loss，天然兼容 sample_weight

常见报错和静默失效场景

最常踩的坑不是不会写，而是权重没对齐、类型不对、或者被中间层吃掉了。

• ValueError: Found a sample_weight array with shape (100, 2) but expected it to have shape (100,)：检查是否误传了二维数组，用 weights.ravel() 或 np.squeeze(weights) 强制一维
• 训练 loss 下降但验证指标没变，甚至更差：可能是权重分布极端（比如大量 0 或极大值），导致 batch 内有效梯度稀疏；建议做 min-max 或 softmax 归一化后再传
• 用了 model.compile(loss=..., sample_weight_mode="temporal") 却没配 RNN 类型输出：这个老参数仅对 time-distributed loss 有效，现在基本弃用，统一用显式 sample_weight 参数更稳

多输出模型里怎么指定不同权重

不能只传一个 sample_weight 数组。Keras 要求你传一个字典，key 是输出层名，value 是对应权重数组。

• 先确认输出层名：model.output_names 返回 ["output_1", "output_2"] 这样的列表
• 构造字典：{"output_1": weights_a, "output_2": weights_b}，两个数组长度都得等于 batch size
• 如果某个输出不需要加权，对应 value 可以设为 None 或全 1 的数组；设 None 更省内存，但注意有些自定义训练循环可能不识别 None

权重数组本身不参与图构建，但它的 shape 和 dtype 必须在 fit 前就确定。动态生成权重（比如根据预测结果实时调整）就得绕过 fit()，改用 tf.GradientTape 手写训练步——那又是另一层复杂度了。