TensorFlow多输出模型的predict()默认返回NumPy数组列表，顺序对应model.output_names；需手动zip(model.output_names, preds)转字典，不可依赖自动字典返回。
多输出模型的 predict() 返回值结构是什么
TensorFlow 多输出模型（比如 Model 用字典定义多个输出层）调用 predict() 后，**默认返回一个 NumPy 数组列表**，顺序严格对应模型编译时 outputs 的键名顺序，而不是字典。如果你期望得到类似 {'output_a': ..., 'output_b': ...} 的字典，直接调用 predict() 不会自动给你——这是最常被忽略的前提。
- 模型定义时用了
outputs={'cls': cls_out, 'reg': reg_out}→predict()返回[cls_pred_array, reg_pred_array] - 想转成字典？得手动 zip 键名和结果：
dict(zip(model.output_names, preds)) - 注意
model.output_names是字符串列表，顺序与model.outputs一致，不可靠地硬编码键名
用字典格式定义输出时，predict() 能不能直接返回字典
不能。即使你用字典形式构建模型（如 Model(inputs=..., outputs={'a': out1, 'b': out2})），predict() 的返回值仍是 list，不是 dict。TensorFlow 2.x 的 Keras API 没有提供原生的 return_dict=True 参数（那是 Hugging Face Transformers 的风格）。
- 别依赖
type(model.predict(x)) == dict—— 它永远是list - 如果下游代码强依赖字典输入（比如送进另一个字典接口函数），必须显式转换
- 转换示例：
preds = model.predict(x_test) pred_dict = {name: preds[i] for i, name in enumerate(model.output_names)}
预测时 batch_size 和输出 shape 对字典对齐的影响
batch_size 不影响键名顺序，但会影响每个输出数组的第 0 维尺寸。如果你发现某次 pred_dict['cls'].shape[0] != pred_dict['reg'].shape[0]，说明模型定义本身就有问题——所有输出必须共享同一 batch 维度，否则 predict() 会报错或静默截断。
- 常见错误：两个输出层用了不同
input_shape或中间分支 shape 不一致，导致 build 失败或 runtime shape mismatch - 验证方式：打印
model.output_shapes，确认每个输出的(None, ...)中None位置一致（即 batch 维都在 axis=0） - 安全写法：统一用
tf.keras.layers.Lambda(lambda x: x, name='cls')(...)等方式确保 shape 可推导
如何封装成可复用的 predict_dict 方法
把字典转换逻辑收进一个方法里，避免每次重复写 zip 或 dict comprehension。注意处理单样本输入（x 是 1D）和批量输入（x 是 2D+）时的维度一致性。
立即学习“Python免费学习笔记（深入）”；
- 推荐封装：
def predict_dict(model, x): preds = model.predict(x) return {name: pred for name, pred in zip(model.output_names, preds)} - 不建议在封装里做 squeeze 或 reshape —— 那属于业务逻辑，应由调用方决定
- 如果模型有动态 output_names（比如训练/推理分支不同），务必在 predict 前检查
len(preds) == len(model.output_names)
model.output_names 和返回 list 顺序的精确把握；一旦模型结构变更或 output_names 被意外修改，字典 key 就可能错位，这种 bug 很难通过 shape 检查发现。 
