在 Keras 多输出模型中，若直接使用字典格式的 y（如 {'output_a': y_a, 'output_b': y_b}）配合 sample_weight，会触发 KeyError: 0 错误；正确做法是将目标变量 y 改为与输出顺序严格一致的列表，此时单个 sample_weight 数组即可被自动广播至所有输出分支。
在 keras 多输出模型中，若直接使用字典格式的 y（如 {'output_a': y_a, 'output_b': y_b}）配合 sample_weight，会触发 keyerror: 0 错误；正确做法是将目标变量 y 改为**与输出顺序严格一致的列表**，此时单个 sample_weight 数组即可被自动广播至所有输出分支。
Keras 对多输出模型的 sample_weight 处理机制依赖于 y 的结构一致性。当 y 以字典形式传入（例如 {'regression_output': y_reg, 'classification_output': y_cls}）时，Keras 内部在解析 sample_weight 时会尝试按输出键索引权重，但底层权重广播逻辑未适配字典 y 的键路径匹配，从而引发 KeyError: 0 —— 这并非数据形状错误，而是结构不匹配导致的路径解析失败。
✅ 正确解法：统一使用有序列表表示 y，其元素顺序必须与模型 outputs 的定义顺序完全一致（可通过 model.output_names 验证）：
# ✅ 正确：y 为列表，sample_weight 为一维数组（长度 = 样本数）
history = model.fit(
X,
[y_regression, y_classification], # 注意顺序：与 model.outputs 一致
epochs=10,
batch_size=32,
sample_weight=sample_weights, # shape: (1000,)
)
此时 Keras 会将 sample_weights 自动应用于每个输出分支（即回归和分类损失均按相同样本权重加权），无需显式拆分。
python-docx Skill功能概述python-docx Skill是一项面向实际任务的技能，主要用于本Skill提供使用python-docx生成专业Word文档的标准方法和最佳实践；生成安全服务方案文档；核心要点生成技术架构设计文档；生成任何需要专业排版的Word文档；核心库 : python-docx；使用与执行辅助库 : docx.shared , docx.enum , docx.oxml.ns；标准代码模板；1. 文档初始化；2. 字体设置（必须！它将相关步骤、工具调用和结果整理方式集
⚠️ 注意事项：
- 若需为不同输出指定差异化权重（例如回归任务权重高、分类任务权重低），应使用字典格式的
sample_weight，但前提是y仍必须是列表：# ✅ 支持差异化权重：y 是列表，sample_weight 是字典 history = model.fit( X, [y_regression, y_classification], sample_weight={ 'regression_output': sample_weights * 1.5, 'classification_output': sample_weights * 0.8 } ) - 切勿混合使用：
y为字典 +sample_weight为数组/字典，均会报错； - 确保
sample_weight长度与X.shape[0]严格一致，否则触发ValueError； - 模型编译时
loss和metrics的字典键名，必须与输出层name=参数完全一致（如'regression_output'），否则权重无法对齐。
总结：Keras 多输出场景下，sample_weight 的兼容性核心在于 y 的结构——始终优先采用列表格式，既简洁又健壮；字典格式 y 仅适用于纯预测或调试，不建议用于带权重的训练流程。
