使用python构建一个多任务学习的神经网络模型，对于多个预测参数该如何设置其对应的损失函数

使用python构建一个多任务学习的神经网络模型，对于多个预测参数该如何设置其对应的损失函数？
模型的代码如下所示：

可以自定义损失函数，参考Keras中自定义目标函数（损失函数）的简单方法

def myLoss(y_true, y_pred):
  '''your loss function here'''

不知道你这个问题是否已经解决, 如果还没有解决的话:

• 这个问题的回答你可以参考下: https://ask.csdn.net/questions/1100895
• 我还给你找了一篇非常好的博客，你可以看看是否有帮助，链接：使用python搭建一个简易的神经网络
• 您还可以看一下 章琨老师的Python机器学习算法和实践课程中的 神经网络建模推导及其总结小节, 巩固相关知识点
  
• 除此之外, 这篇博客: 【机器学习】神经网络识别手写数字（附python源码）中的 训练神经网络过程总结 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
  

  选择合适的神经网络架构

  

  • 确定输入单元的数量，也就是输入特征值的维度x(i)x^{(i)}x(i)
  • 确定输出单元的个数，即有几个类别。
  • 一般来说，隐藏层的层数我们会选1层，如果大于一层，则令每层的单元数相同。

  训练神经网络

  • 随机初始化θ\thetaθ.
  • 应用向前传播计算出每个x(i)x^{(i)}x(i)对应的hθ(x(i))h_{\theta}(x^{(i)})hθ​(x(i)).
  • 计算出代价函数J(θ)J(\theta)J(θ).
  • 应用反向传播计算出每个偏导数项∂∂θjk(l)J(θ)\frac{∂}{∂\theta_{jk}^{(l)}}J(\theta)∂θjk(l)​∂​J(θ).
  • 使用梯度检测将用反向传播求出的偏导项和用数值求出的偏导项进行比较.
  • 利用优化算法求出最小化代价函数对应的参数θ\thetaθ.

如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^