多输入多输出模型必须使用tf.keras.Model而非Sequential，因后者仅支持单输入单输出；需显式定义命名的Input和Output层，编译与训练时loss、metrics、数据均须按名称用字典匹配。
多输入多输出模型必须用 tf.keras.Model，不能用 Sequential
因为 Sequential 只支持单输入单输出的线性堆叠，遇到多个输入张量（比如图像 + 文本特征）或多个输出头（比如分类 + 回归），它会直接报错：ValueError: Layer model expects 1 input(s), but it received 2 input tensors。必须显式定义输入层、共享/分支结构、输出层，再用 tf.keras.Model 封装。
常见场景包括：图文联合预测（图像输入 + 标题文本输入 → 标签 + 置信度）、时序信号双任务（原始波形 + 统计特征 → 分类结果 + 异常分数）。
实操建议：
- 每个输入单独定义一个
tf.keras.Input，命名（如name="image_input"）便于后续调试和保存时识别 - 输出层也需命名（
name="class_output"），否则训练时 loss 和 metrics 无法按名映射 - 不要在模型定义里调用
.fit()—— 那是编译后的事，先确保Model(inputs=[...], outputs=[...])能成功实例化
编译时 loss 和 metrics 必须按输出名传字典，不是列表
如果输出层叫 "class_output" 和 "reg_output"，但编译时写成 model.compile(loss=["sparse_categorical_crossentropy", "mse"])，TensorFlow 会报 ValueError: Expected loss to be a dict。它需要明确知道哪个 loss 对应哪个输出。
立即学习“Python免费学习笔记（深入）”；
实操建议：
- loss、metrics、loss_weights 都得用字典，key 是输出层的
name属性值 - 例如：
loss={"class_output": "sparse_categorical_crossentropy", "reg_output": "mse"} - 若某输出不需要 loss（比如只做中间特征提取），可在字典中省略该 key，但对应输出在训练数据中仍需提供占位值（如
None或全零张量） - 注意
loss_weights字典的 key 必须与输出名完全一致，大小写敏感
训练数据的 x 和 y 必须是列表或字典，顺序/键名要严格对齐
输入有两个 Input 层，但传入 .fit(x=...) 时给的是单个 NumPy 数组，就会触发 TypeError: Expected x to be a list or dict。同理，多个输出也必须结构匹配。
实操建议：
-
x可以是列表：[img_array, text_array]（顺序必须和inputs=[input_a, input_b]一致） - 或字典：
{"image_input": img_array, "text_input": text_array}（key 必须等于 Input 的name） -
y同理：列表[label_array, score_array]或字典{"class_output": ..., "reg_output": ...} - 用字典方式更安全，尤其当模型后期增删输入/输出时不易错位
保存和加载模型要注意子模型结构是否完整
用 model.save("path") 默认保存为 SavedModel 格式，通常没问题；但如果手动拆解了子模型（比如把图像分支抽成独立 tf.keras.Model），再拼进主模型，加载时可能报 KeyError: 'image_branch' —— 因为子模型没被注册进主图的 trackable objects。
实操建议：
- 避免在主模型外定义可训练子模型后仅用函数调用方式复用（如
feat = image_branch(img)），而要用tf.keras.Model实例并作为层加入（self.image_branch = ImageBranchModel()） - 保存前执行
model(tf.nest.map_structure(lambda x: tf.zeros_like(x), sample_input))一次，确保所有子结构已 build - 加载后务必用
model.predict(sample_input)测试，别只看load_model不报错就认为成功
多输入多输出真正难的不是搭结构，而是数据管道和 loss 映射那几处细节——名字不一致、字典缺 key、输入顺序颠倒，都会让错误信息绕着弯指向无关位置。
