多输出模型必须用函数式api，因sequential仅支持单输入单输出；需显式定义各输出层并命名，compile时loss/metrics须按名称或严格顺序对齐，fit的y须为list或dict且shape匹配，predict返回dict更可靠。
多输出模型必须用函数式API，Sequential不行
TensorFlow 的 Sequential 模型只支持单输入单输出，遇到多个预测目标（比如同时回归房价 + 分类房型 + 预测装修等级）就必须切到函数式 API。这不是“推荐”，是硬性限制——Model 类构造时传入的 outputs 参数必须是列表，而 Sequential 根本不暴露这个接口。
常见错误现象：TypeError: Expected to see 1 array, but instead got 3 arrays，往往是因为误用 Sequential 拼接了多个 Dense 层并试图在 compile 里写多个损失，但底层图结构根本不支持反向传播到多个终点。
- 所有输出分支必须从同一个中间层（或不同层）显式引出，不能靠“最后加几个 Dense”糊弄
- 每个输出需独立命名（用
name参数），否则训练时日志和回调无法区分 loss 值 - 输入层也建议命名，尤其当后续要对接多输入场景时，避免张量顺序错乱
compile 时 loss 和 metrics 必须对齐输出顺序或名称
model.compile() 中的 loss、loss_weights、metrics 三者必须与 Model(outputs=[...]) 中 outputs 的顺序严格一致，或者改用字典形式按 name 键对齐——后者更安全，不易因增删分支导致错位。
例如：若定义了 price_out = Dense(1, name='price')(x) 和 type_out = Dense(3, name='type', activation='softmax')(x)，则编译时应写：
model.compile(
optimizer='adam',
loss={'price': 'mse', 'type': 'sparse_categorical_crossentropy'},
loss_weights={'price': 1.0, 'type': 0.8},
metrics={'price': 'mae', 'type': 'accuracy'}
)
如果用列表方式但顺序写反（比如 loss=['sparse_categorical_crossentropy', 'mse']），模型照样能跑，但梯度会喂错分支，loss 数值看似下降，实际任务完全没学对。
fit 时 y 必须是 list 或 dict，且 shape 要匹配每个输出
传给 model.fit(x, y) 的 y 不能是单个 numpy 数组，必须是 Python list（按输出顺序）或 dict（key 为输出层名）。shape 维度也要对应：回归输出通常是 (N, 1) 或 (N,)，分类输出是 (N, num_classes)（one-hot）或 (N,)（整数标签，配合 sparse_* loss）。
- 混用格式会报
ValueError: Failed to convert a NumPy array to a Tensor或更隐蔽的广播错误 - 如果某个输出分支不需要训练（如固定辅助任务），可在
loss字典中不包含它，但y里仍需提供占位数据（如全零数组），否则维度校验失败 - 使用
tf.data.Dataset时，y部分必须是dict或tuple，不能是普通tf.Tensor
predict 返回 dict，取 key 比索引更可靠
model.predict(x) 默认返回一个 Python dict，key 是各输出层的 name，value 是对应预测结果。虽然也能用 list 索引（如 preds[0]），但一旦模型结构调整（比如中间插入新分支），索引就失效；而用 preds['price'] 始终明确指向目标。
容易被忽略的一点：如果某输出层用了 activation='softmax'，predict 返回的是概率分布，不是类别 ID——需要额外调用 np.argmax(..., axis=-1) 才能得到预测类别。别直接拿 preds['type'] > 0.5 这种逻辑去二值化多类输出。
大量免费API接口：立即使用
涵盖生活服务API、金融科技API、企业工商API、等相关的API接口服务。免费API接口可安全、合规地连接上下游，为数据API应用能力赋能！
