keras模型输出的设置对训练结果的一个奇怪影响

Background

环境：python 3.6.0 + tensorflow-gpu 1.12.0 + Keras 2.2.4
用 keras 写的一个模型（训练 Model 中涉及两个 trainable 的子 Model），通过 add_loss 的方式为模型设置损失，形如：

loss_tensor = loss_1(...) + loss_2(...)  # 将 loss 写成 tensor
# 此 model 的损失中涉及两个 trainable 的子 model
model.add_loss(loss_tensor)  # add_loss 的方式
model.compile(Adam())

这种写法下，用 fit_generator 的方式训练模型时，generator 只需要 yield 模型的输入数据就行，target 的部分直接上 None，即：

def generator_no_target():
	...
	yield [data_1, data_2], None

那么讲道理，模型训练应该同当初建立模型时的输出部分无关？
我的意思是：模型有两个输出，写成（写法1）：

model = Model([input_1, input_2], [ouput_1, output_2])

但在这种情况下，写成（写法2）：

model = Model([input_1, input_2], ouput_1)

应该不会影响训练？（因为训练的时候 target data 传的是 None 啊）

Problem

然而，写法1训练效果正常，写法2训练效果非常差。
这是为什么？
这种模型输出的设置是怎么影响模型训练过程的？
难道有两个 trainable 的子 model 就要有两个输出吗？

Further Testing

1. 不用 add_loss 的方式，而是定义损失函数

即前面第一块代码写成：

# loss_tensor = loss_1(...) + loss_2(...)
def loss_fn(y_true, y_pred):  # 将 loss 写成函数
	return loss_1(...) + loss_2(...)
# model.add_loss(loss)
model.compile(Adam(), loss=loss_fn)  # 在 compile 里指明 loss 函数

这时训练数据的 target 部分需要传入数据，于是在 generator 的 yield 那里补上 target 的部分，用全 0 补，即 generator 写成：

def generator_with_target():
	...
	# yield [data_1, data_2], None
	fake_target = np.zeros((BATCH_SIZE, DIM), dtype=np.float32)  # 全零
	# yield [data_1, data_2], fake_target  # 若模型有一个输出
	yield [data_1, data_2], [fake_target, fake_target]  # 若模型有两个输出

（其中 yield 的那句，模型输出只有一个 output 就只返回一个 fake_target，有两个就返回两个）
没有变化，依然有这个奇怪的差异。

2. 不用 fit_generator，而是用 train_on_batch

但是生成训练数据的 generator 还是之前那个，loss 用 add_loss 设置。
也没有用，同样有这个奇怪的差异。