Модель Tensorflow с несколькими выходами не выводит потери для каждого выхода. ⇐ Python

[Anonymous]

Я использую пример из книги Geron «Практическое машинное обучение с помощью Scikit Learn, Keras и Tensorflow» (3-е издание). Этот пример можно получить https://github.com/ageron/handson-ml3.
Пример кода, на который я ссылаюсь, находится в гл. 10, в разделе: Использование API подклассов для построения динамических моделей:

Код: Выделить всё

class WideAndDeepModel(tf.keras.Model):
def __init__(self, units=30, activation="relu", **kwargs):
super().__init__(**kwargs)  # needed to support naming the model
self.norm_layer_wide = tf.keras.layers.Normalization()
self.norm_layer_deep = tf.keras.layers.Normalization()
self.hidden1 = tf.keras.layers.Dense(units, activation=activation)
self.hidden2 = tf.keras.layers.Dense(units, activation=activation)
self.main_output = tf.keras.layers.Dense(1)
self.aux_output = tf.keras.layers.Dense(1)

def call(self, inputs):
input_wide, input_deep = inputs
norm_wide = self.norm_layer_wide(input_wide)
norm_deep = self.norm_layer_deep(input_deep)
hidden1 = self.hidden1(norm_deep)
hidden2 = self.hidden2(hidden1)
concat = tf.keras.layers.concatenate([norm_wide, hidden2])
output = self.main_output(concat)
aux_output = self.aux_output(hidden2)
return output, aux_output

tf.random.set_seed(42)  # extra code – just for reproducibility
model = WideAndDeepModel(30, activation="relu", name="my_cool_model")

optimizer = tf.keras.optimizers.Adam(learning_rate=1e-3)
model.compile(loss="mse", loss_weights=[0.9, 0.1], optimizer=optimizer,
metrics=["RootMeanSquaredError"])
model.norm_layer_wide.adapt(X_train_wide)
model.norm_layer_deep.adapt(X_train_deep)
history = model.fit(
(X_train_wide, X_train_deep), (y_train, y_train), epochs=10,
validation_data=((X_valid_wide, X_valid_deep), (y_valid, y_valid)))
eval_results = model.evaluate((X_test_wide, X_test_deep), (y_test, y_test))
weighted_sum_of_losses, main_loss, aux_loss, main_rmse, aux_rmse = eval_results
y_pred_main, y_pred_aux = model.predict((X_new_wide, X_new_deep))

что теоретически должно дать:

Код: Выделить всё

Epoch 1/10
363/363 [==============================] - 1s 2ms/step - loss: 1.3490 - output_1_loss: 1.2742 - output_2_loss: 2.0215 - output_1_root_mean_squared_error: 1.1288 - output_2_root_mean_squared_error: 1.4218 - val_loss: 1.5415 - val_output_1_loss: 0.9593 - val_output_2_loss: 6.7806 - val_output_1_root_mean_squared_error: 0.9795 - val_output_2_root_mean_squared_error: 2.6040
Epoch 2/10
363/363 [==============================] - 0s 1ms/step - loss: 0.5101 - output_1_loss: 0.4785 - output_2_loss: 0.7952 - output_1_root_mean_squared_error: 0.6917 - output_2_root_mean_squared_error: 0.8917 - val_loss: 1.3624 - val_output_1_loss: 1.0094 - val_output_2_loss: 4.5401 - val_output_1_root_mean_squared_error: 1.0047 - val_output_2_root_mean_squared_error: 2.1307
Epoch 3/10
363/363 [==============================] - 0s 1ms/step - loss: 0.4618 - output_1_loss: 0.4404 - output_2_loss: 0.6546 - output_1_root_mean_squared_error: 0.6636 - output_2_root_mean_squared_error: 0.8091 - val_loss: 0.5361 - val_output_1_loss: 0.3975 - val_output_2_loss: 1.7837 - val_output_1_root_mean_squared_error: 0.6305 - val_output_2_root_mean_squared_error: 1.3356
Epoch 4/10
363/363 [==============================] - 0s 1ms/step - loss: 0.4252 - output_1_loss: 0.4059 - output_2_loss: 0.5985 - output_1_root_mean_squared_error: 0.6371 - output_2_root_mean_squared_error: 0.7736 - val_loss: 0.5182 - val_output_1_loss: 0.4590 - val_output_2_loss: 1.0517 - val_output_1_root_mean_squared_error: 0.6775 - val_output_2_root_mean_squared_error: 1.0255

Этот вывод взят из предоставленного блокнота Jupyter — на самом деле я его не получил.
Я не могу сразу запустить этот код летучая мышь, потому что Tensorflow жалуется:

Код: Выделить всё

ValueError: For a model with multiple outputs, when providing the `metrics` argument as a list, it should have as many entries as the model has outputs. Received:
metrics=['RootMeanSquaredError']
of length 1 whereas the model has 2 outputs.

которое я могу исправить, просто добавив еще одну ошибку RootMeanSquaredError. Моя основная проблема заключается в получении следующего результата во время обучения:

Код: Выделить всё

Epoch 1/10
66/66 ━━━━━━━━━━━━━━━━━━━━ 1s 3ms/step - RootMeanSquaredError: 0.4504 - RootMeanSquaredError_1: 0.4841 - loss: 0.2072 - val_RootMeanSquaredError: 0.3687 - val_RootMeanSquaredError_1: 0.4427 - val_loss: 0.1420
Epoch 2/10
66/66 ━━━━━━━━━━━━━━━━━━━━ 0s 1ms/step - RootMeanSquaredError: 0.3633 - RootMeanSquaredError_1: 0.4302 - loss: 0.1374 - val_RootMeanSquaredError: 0.3614 - val_RootMeanSquaredError_1: 0.4205 - val_loss: 0.1352
Epoch 3/10
66/66 ━━━━━━━━━━━━━━━━━━━━ 0s 2ms/step - RootMeanSquaredError: 0.3568 - RootMeanSquaredError_1: 0.4135 - loss: 0.1317 - val_RootMeanSquaredError: 0.3564 - val_RootMeanSquaredError_1: 0.4134 - val_loss: 0.1314
Epoch 4/10
66/66 ━━━━━━━━━━━━━━━━━━━━ 0s 1ms/step - RootMeanSquaredError: 0.3519 - RootMeanSquaredError_1: 0.4075 - loss: 0.1281 - val_RootMeanSquaredError: 0.3510 - val_RootMeanSquaredError_1: 0.4096 - val_loss: 0.1277
Epoch 5/10
66/66 ━━━━━━━━━━━━━━━━━━━━ 0s 1ms/step - RootMeanSquaredError: 0.3475 - RootMeanSquaredError_1: 0.4041 - loss: 0.1250 - val_RootMeanSquaredError: 0.3469 - val_RootMeanSquaredError_1: 0.4063 - val_loss: 0.1248

Почему я получаю только loss и val_loss, несмотря на то, что у меня 2 выхода? Остальные результаты соответствуют показателям для каждого результата. Я ожидаю потерю, выход_1_лосс, выход_2_лосс и т. д.
Я попытался удалить аргумент ключевого слова метрики, и во время обучения печатаются только потери и val_loss. Я также попробовал разные пользовательские классы моделей, созданные под классами, с тем же результатом. Я также попробовал создать модель с помощью Functional API и получил то же самое.
Попробовал установить verbose=2, без изменений. Пробовал один вход (вместо двух входов) без изменений.
Попытался установить аргумент имени для выходных слоев и передать аргументы словаря:

Код: Выделить всё

model.compile(loss={'out0':'mse','out1':'mse'}, loss_weights=[0.9, 0.1], optimizer=optimizer,
metrics={'out0':'RootMeanSquaredError','out1':'RootMeanSquaredError'})
history = model.fit(
(train_feat[0], train_feat[1]), {'out0': train_label[0], 'out1': train_label[1]}, epochs=10,
validation_data=((val_feat[0], val_feat[1]), {'out0': val_label[0], 'out1': val_label[1]}))

без изменений.
Попробовал передать список loss=[tf.keras.losses.MeanSquaredError(), tf.keras.loss .MeanSquaredError()] без изменений.
В одном сообщении, похоже, возникла та же проблема, но вместо этого исправлено использование показателей для мониторинга:
как добиться потери каждого результата в регрессии с несколькими выходами?
Другой пост, кажется, дает именно то, что я хочу, с теми же настройками:
Показывать только общие потери во время обучения модели с несколькими выходами в Keras
Я использую Python 3.9, Tensorflow 2.17.0 и Keras 3.4.1. Я что-то упускаю?

Подробнее здесь: https://stackoverflow.com/questions/789 ... ach-output