演示一下在tensorflow模型的不同层中使用不同的损失函数

在TensorFlow中，我们可以在不同的层中使用不同的损失函数，这需要我们自己编写代码实现。以下是一个简单的演示：

import tensorflow as tf

# 定义两个不同的损失函数
def mse_loss(y_true, y_pred):
    return tf.reduce_mean(tf.square(y_true - y_pred))

def categorical_crossentropy(y_true, y_pred):
    return tf.reduce_mean(tf.keras.losses.categorical_crossentropy(y_true, y_pred))

# 构建模型
inputs = tf.keras.Input(shape=(64,))
hidden1 = tf.keras.layers.Dense(64, activation='relu')(inputs)
hidden2 = tf.keras.layers.Dense(64, activation='relu')(hidden1)
outputs1 = tf.keras.layers.Dense(10)(hidden2)
outputs2 = tf.keras.layers.Dense(10)(hidden2)

# 分别为不同的输出层指定不同的损失函数
model = tf.keras.Model(inputs=inputs, outputs=[outputs1, outputs2])
model.compile(loss=[mse_loss, categorical_crossentropy], optimizer='adam')

# 训练模型
x_train = tf.random.normal((1000, 64))
y_train1 = tf.random.normal((1000, 10))
y_train2 = tf.keras.utils.to_categorical(tf.random.uniform((1000,), 0, 10), num_classes=10)

model.fit(x_train, [y_train1, y_train2], epochs=5, batch_size=32)

在上面的代码中，我们定义了一个有两个输出层的模型，第一个输出层使用平均平方误差损失函数 `mse_loss`，第二个输出层使用交叉熵损失函数 `categorical_crossentropy`。我们将这两个损失函数作为列表传递给 `model.compile`，这样就能为不同的输出层指定不同的损失函数。在训练时，我们需要为每个输出层提供对应的标签，并将它们作为列表传递给 `model.fit`。