如何在Keras Sequential API的CNN中添加数据增强与缩放层？

你完全不需要单独添加Input层，只需要把数据增强、Rescaling层按顺序堆叠在卷积层之前，同时移除卷积层的input_shape定义，并在模型的第一个可指定输入形状的位置（要么模型初始化时，要么第一个预处理层）明确输入形状即可。以下是两种可行的实现方式：

方式一：在Sequential初始化时指定输入形状 #

image_size = (32, 32)
# 独立定义数据增强序列
data_augmentation = keras.Sequential(
    [
        layers.experimental.preprocessing.RandomFlip(),
        layers.experimental.preprocessing.RandomRotation(0.25),
        layers.experimental.preprocessing.RandomZoom(0.25),
    ]
)

# 构建主模型
model_seq = tf.keras.models.Sequential(
    [
        data_augmentation,
        layers.Rescaling(1. / 255),
        layers.Conv2D(32, 3, padding='valid', name='conv_1')
    ],
    input_shape=image_size + (3,)  # 在这里统一指定输入形状
)

方式二：在第一个预处理层中指定输入形状 #

image_size = (32, 32)
data_augmentation = keras.Sequential(
    [
        layers.experimental.preprocessing.RandomFlip(),
        layers.experimental.preprocessing.RandomRotation(0.25),
        layers.experimental.preprocessing.RandomZoom(0.25),
    ]
)

model_seq = tf.keras.models.Sequential([
    data_augmentation,
    # 在Rescaling层指定输入形状
    layers.Rescaling(1. / 255, input_shape=image_size + (3,)),
    layers.Conv2D(32, 3, padding='valid', name='conv_1')
])

关键说明 #

• Sequential是线性层堆叠结构，只要第一个层（或模型初始化时）明确了输入形状，后续所有层都会自动推断输入维度，无需重复指定。
• 你之前定义的独立数据增强序列可以直接作为一个完整的层加入主Sequential模型，无需拆分内部的翻转、旋转等操作。

内容的提问来源于stack exchange，提问作者Kaikus