多任务模型需共享底层特征提取层，用函数式api构建单个model并统一training模式；损失须显式加权平衡，label格式与输出名严格对齐；predict返回列表而非字典，需封装wrapper转字典。
多任务模型必须共享底层特征提取层
TensorFlow 中实现多任务学习，核心不是堆叠多个模型，而是让不同任务共用一部分网络参数。如果每个任务都从头训练独立模型，就失去了多任务学习“知识迁移”和“正则化”的意义。典型结构是：一个共享的 base_model（比如 CNN 或 Transformer 编码器），后面接多个任务专属的 head（如分类层、回归层）。
常见错误是把多个 Model 实例拼在一起，结果梯度无法反向传播到共享层——TensorFlow 会报 ValueError: No gradients provided for any variable。正确做法是用函数式 API 构建单个 Model，所有输出分支都从同一中间层引出。
- 共享层输出必须是张量（
tf.Tensor），不能是另一个Model的输出（除非用tf.keras.layers.Lambda包装） - 多个
output在调用tf.keras.Model(inputs=..., outputs=[...])时需传入 Python 列表，顺序要和后续loss、loss_weights对齐 - 避免在共享层里使用
Dropout或BatchNormalization的训练模式不一致问题：确保整个模型统一用training=True或training=False调用
如何设置多输出损失与权重平衡
TensorFlow 默认不支持“一个模型多个 loss 自动加权”，必须显式指定 loss 字典或列表，以及可选的 loss_weights。否则会报错 ValueError: The model cannot be compiled because it has multiple outputs。
损失权重不是超参调优的“装饰项”，它直接影响梯度幅值。例如一个回归任务 loss 值常在 100+，而分类任务交叉熵在 0.5 左右，若不加权，回归任务梯度会主导更新，导致分类 head 几乎不学习。
- 用字典方式指定 loss：
loss={'task_a': 'sparse_categorical_crossentropy', 'task_b': 'mse'} - 对应权重写成字典：
loss_weights={'task_a': 1.0, 'task_b': 0.3}，或按输出顺序用列表：loss_weights=[1.0, 0.3] - 自定义 loss 函数必须返回标量
tf.Tensor，且内部不要用tf.print或print，否则训练会变慢甚至卡死
训练时 label 数据格式必须对齐输出名
如果你的模型输出定义为 outputs=[output_a, output_b]，且给它们起了名字：output_a = Dense(..., name='sentiment')(x)，那么训练时传入的 y 必须是字典：{'sentiment': y_sentiment, 'regression_target': y_reg}。否则 TensorFlow 会找不到匹配 key，报错 KeyError: 'sentiment' 或静默忽略某任务。
更隐蔽的问题是 shape 不匹配：比如分类任务期望 (None,) 的整数标签，但你传了 (None, 1) 的二维数组，会触发 InvalidArgumentError: logits and labels must have the same shape。
- 检查每个输出的
name属性：model.output_names返回列表，和你传入y的 key 或顺序严格对应 - 用
np.squeeze()清理冗余维度，尤其从 pandas 或 h5 文件读数据后容易多一维 - 如果某个任务 batch 内无有效样本（如 mask 掉全部），loss 可能为 NaN，建议在自定义 loss 中加
tf.debugging.check_numerics
预测阶段要注意输出顺序与命名一致性
model.predict() 返回的是 Python 列表，不是字典，顺序严格对应构建模型时 outputs=[...] 的顺序。即使你在定义层时写了 name='xxx'，预测结果也不会自动变成字典——这点和训练时的 label 输入逻辑不同，容易混淆。
实际部署中，如果下游服务依赖字段名（比如 JSON 接口返回 {"score": ..., "label": ...}），靠顺序维护极易出错。建议封装一层 predict wrapper。
- 预测后手动转字典：
preds = dict(zip(model.output_names, model.predict(x_test))) - 避免在 predict 前调用
model.trainable = False后忘记恢复，否则 BatchNorm 层统计量不会更新，影响推理稳定性 - 导出 SavedModel 时，
signatures需显式指定输入输出映射，否则加载后无法按名取输出
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
