Deep learning keras如何处理多重损失？

如果我有类似于：

model=model（输入=输入，输出=[y1，y2]）
l1=0.5
l2=0.3
compile（损失=[loss1，loss2]，损失权重=[l1，l2]，…）

Keras如何处理损失以获得最终损失？ 是不是有点像：

final_loss=l1*loss1+l2*loss2

还有，在训练期间这意味着什么？loss2是否仅用于更新y2所在层的权重？还是用于模型的所有层？

来自：

损失：字符串（目标函数名称）或目标函数。见损失。如果模型有多个输出，可以通过传递字典或损失列表，在每个输出上使用不同的损失。然后，模型将最小化的损失值将是所有单个损失的总和

损失权重：可选列表或字典，指定标量系数（Python浮点）以对不同模型输出的损失贡献进行加权。然后，模型将最小化的损失值将是所有单个损失的加权和，通过

损失权重

系数进行加权。如果是列表，则预期它与模型的输出具有1:1的映射。如果是张量，则需要将输出名称（字符串）映射到标量系数

因此，是的，最终损失将是“所有单个损失的加权总和，由

损失权重

系数加权”

你可以查一下电话号码

还有，在训练期间这意味着什么？loss2是否仅用于更新y2所在层的权重？还是用于模型的所有层

权重将通过更新，因此每个损失将仅影响将输入连接到损失的层

例如：

                        +----+         
                        > C  |-->loss1 
                       /+----+         
                      /                
                     /                 
    +----+    +----+/                  
 -->| A  |--->| B  |\                  
    +----+    +----+ \                 
                      \                
                       \+----+         
                        > D  |-->loss2 
                        +----+         

• loss1

  将影响A、B和C

• loss2

  将影响A、B和D

---

对于要反向传播的多个输出，我认为这不是Fábio Perez提到的完整答案。

还有，在训练期间这意味着什么？损失2是否仅用于 更新y2所在层的权重？或者它是用来 所有模型的层

---

对于输出C和输出D，keras将计算最终损耗F_损耗=w1*loss1+w2*loss2。然后，最终损耗F_损耗应用于输出C和输出D。最后来自输出C和输出D的反向传播使用相同的F_损耗进行反向传播。

注意！！！来自文档：“如果模型有多个输出。。。然后，模型将最小化的损失值将是所有单个损失的总和（如合理），因此最终损失将影响所有损失