keras多任务多loss回传的思考

如果有一个多任务多loss的网络，那么在训练时，loss是如何工作的呢？
比如下面：

model = Model(inputs = input, outputs = [y1, y2])
l1 = 0.5
l2 = 0.3
model.compile(loss = [loss1, loss2], loss_weights=[l1, l2], ...)

其实我们最终得到的loss为

final_loss = l1 * loss1 + l2 * loss2

我们最终的优化效果是最小化final_loss。
问题来了，在训练过程中，是否loss2只更新得到y2的网络通路，还是loss2会更新所有的网络层呢？
此问题的关键在梯度回传上，即反向传播算法。

对于x1参数的更新：
$\frac{\partial finalloss}{\partial x1}=\frac{l1 *\partial loss1}{\partial X1} + \frac{l2 *\partial loss2}{\partial X2}$
对于x2参数的更新：
$\frac{\partial finalloss}{\partial x2}= \frac{l2 *\partial loss2}{\partial X2}$
对于x2参数的更新：
$\frac{\partial finalloss}{\partial x1}= \frac{l1 *\partial loss1}{\partial X1}$
所以loss1只对x1和x2有影响，而loss2只对x1和x3有影响。

参考：https://stackoverflow.com/questions/49404309/how-does-keras-handle-multiple-losses