如何将Keras数据增强模型与Unet-VGG16模型正确连接？

错误原因 #

你当前的代码中，unet_vgg16是一个独立的Functional模型，自带专属输入层；data_augmentation也是独立的模型。直接将data_augm_inputs作为最终模型输入、unet_vgg16.output作为输出时，两个模型的计算图完全断开，Keras无法找到从输入到Unet输出的数据流路径，因此抛出图断开的错误。

正确连接方式 #

核心是让数据增强的输出张量作为Unet模型的输入，串联两个计算图，以下是两种可行实现方式：

方式一：直接串联层（无需单独定义数据增强模型）

# 定义数据增强输入层
data_augm_inputs = layers.Input(shape=(IMAGE_SIZE, IMAGE_SIZE, 3))
# 叠加数据增强层
flip = layers.RandomFlip("horizontal_and_vertical")(data_augm_inputs)
rotation = layers.RandomRotation(0.2)(flip)
zoom = layers.RandomZoom(.5)(rotation)

# 将增强后的张量传入Unet模型
unet_output = unet_vgg16(zoom)

# 构建完整的最终模型
final_model = Model(inputs=data_augm_inputs, outputs=unet_output)

方式二：基于已定义的两个独立模型串联

如果你已经单独定义了data_augmentation模型，可以这样连接：

# 获取数据增强模型的输出张量
augmented_data = data_augmentation.output

# 将增强后的数据传入Unet模型
unet_output = unet_vgg16(augmented_data)

# 构建最终模型，输入为数据增强模型的输入，输出为Unet的输出
final_model = Model(inputs=data_augmentation.input, outputs=unet_output)

额外说明 #

将数据增强整合到模型内部的优势在于，部署模型时无需额外处理数据增强逻辑，增强操作会随模型推理自动执行。如果仅在训练阶段需要增强，也可以考虑用tf.data.Dataset或ImageDataGenerator实现增强，避免将增强层带入推理阶段。

内容的提问来源于stack exchange，提问作者Bertrand