必须用函数式API构建共享骨干：Sequential无法实现单输入多分支，会导致权重重复、梯度错乱；需封装backbone模块并复用其output，任务头loss须加权平衡（推荐不确定性加权），编译时显式指定loss字典与sample_weight_mode，训练中分项监控指标。
必须用函数式 API 构建共享骨干，Sequential 不行
想搭多任务模型却用 tf.keras.Sequential？立刻停手。它无法表达“一个输入、多个分支输出”的结构，强行堆叠层会导致权重重复初始化、梯度错乱——你看到的 loss 下降可能是假象，实际某个任务根本没学。
正确路径只有一条：用函数式 API 显式定义共享部分为独立可复用模块。比如封装一个 build_backbone() 函数，返回 tf.keras.Model 或 tf.keras.layers.Layer 实例，再分别接不同任务头：
backbone = build_backbone(input_shape=(224, 224, 3)) cls_output = tf.keras.layers.Dense(10, name='cls')(backbone.output) reg_output = tf.keras.layers.Dense(4, name='reg')(backbone.output) model = tf.keras.Model(inputs=backbone.input, outputs=[cls_output, reg_output])
- 切忌写成：
x = Conv2D(32)(inputs); x = Conv2D(64)(x)然后两次调用Dense→ 这会创建两套互不相干的卷积权重 - 分类头常用
GlobalAveragePooling2D，检测/分割头必须保留空间维度，直接接Conv2D，否则 shape 对不上 - 所有任务头的输入 tensor 必须来自同一 backbone 实例的
.output，不能是重复调用同一组 layer 的结果
损失不能简单相加，权重必须可调或可学习
total_loss = loss_cls + loss_reg 是最常踩的坑。当分类用 sparse_categorical_crossentropy（量纲 ~1–3）、回归用 MSE（量纲可能 >100），后者梯度直接淹没前者，训练几轮后 loss_cls 就卡死在 2.3 不动。
解决方法分两级：
立即学习“Python免费学习笔记（深入）”；
- 手动加权（快速验证）：
total_loss = 0.8 * loss_cls + 0.2 * loss_reg，但需反复试值 - 不确定性加权（推荐）：引入可训练变量
sigma1,sigma2，构造total_loss = (1/(2*sigma1**2)) * loss_cls + tf.math.log(sigma1) + (1/(2*sigma2**2)) * loss_reg + tf.math.log(sigma2)
注意：Keras 编译时要显式传入各任务 loss 字典：model.compile(loss={'cls': 'sparse_categorical_crossentropy', 'reg': 'mse'}, ...)，否则默认按顺序匹配，极易错位。
sample_weight 处理极易报 InvalidArgumentError
一加 sample_weight 就崩？典型错误是传入 shape 为 (N, 14, 5) 的权重，而 Keras 默认把最后一维当类别数处理，试图 squeeze 它——报错 cannot squeeze dim [2], expected a dimension of 1。
根本原因是 Keras 对 sample_weight 的 shape 校验极松：只检查 batch 维和时间/空间维对齐，完全不管通道数。解决方案只有两个：
- 为每个输出单独指定模式：
sample_weight_mode={'cls': 'temporal', 'reg': None}（'temporal'表示权重 shape 应为(N, T)，None表示(N,)） - 彻底绕开全局
sample_weight，改写自定义 loss 函数，在内部做明确广播：weighted_loss = tf.reduce_mean(loss * weights)，自己控制维度对齐
记住：分类输出是 one-hot（shape (N, C)），权重必须是 (N,) 或 (N, 1)；序列标注输出是 (N, T, C)，权重就得是 (N, T)。
验证阶段必须拆开看各任务指标，不能只盯 total_loss
训练时 total_loss 一路下降，但 val_cls_acc 停在 0.1、val_reg_mae 却降到 0.05——说明回归任务完全主导了更新，分类任务已被放弃。这种“假收敛”在多任务中太常见。
编译模型时必须启用各任务专属 metric：metrics={'cls': 'sparse_categorical_accuracy', 'reg': 'mae'}，并在 model.fit() 中观察每个 epoch 输出的 cls_sparse_categorical_accuracy 和 reg_mae 分项值。
真正难的不是结构搭建，而是让梯度和平共处：共享层一次更新，可能让分类受益、回归受损。没有银弹，只能靠 loss 加权 + 梯度裁剪 + 各任务 learning rate 微调组合试探。一旦发现某任务指标持续恶化，先检查 loss 权重是否失衡，再查该任务 label 预处理是否异常——90% 的问题出在这两步。
