TensorFlow中模型链式调用：如何将模型输出作为另一模型输入

1. 正确使用model(x)得到预期输出 #

你的问题核心是输入形状不匹配：preprocess_model期望的输入是带batch维度的张量（比如(None, 22169)，其中None代表batch大小），但你传入的x是形状为(22169)的单样本张量，TensorFlow会把这个形状的张量解读为「22169个样本，每个样本1个特征」，导致输出形状混乱。

修正方法是手动给输入增加batch维度，处理后再按需移除：

def apply_preprocess(x):
    # 给单样本增加batch维度：(22169) → (1, 22169)
    x_batch = tf.expand_dims(x, axis=0)
    # 调用模型前向传播，得到(1, 44, 128)
    spec = preprocess_model(x_batch)
    # 移除batch维度，得到预期的(44, 128)
    return tf.squeeze(spec, axis=0)

# 用修正后的函数处理数据集
processed_dataset = dataset.map(apply_preprocess)
autoencoder.fit(processed_dataset)

如果你的数据集每个元素已经是batch（比如形状(batch_size, 22169)），直接调用preprocess_model(x)即可，不需要额外处理维度。

2. model(x)与model.predict(x)的核心区别 #

• model(x)：直接调用模型的前向传播逻辑，属于TensorFlow图模式的原生操作，返回tf.Tensor。它可以在tf.function（比如dataset.map、tf.keras.layers.Lambda）内部使用，完全兼容计算图，适合模型链式调用、自定义层等场景。
• model.predict(x)：是高层API，内部自动处理数据转换（numpy数组转张量）、批量推理、结果转numpy数组，并且会创建独立的tf.function上下文。因此它不能嵌套在其他tf.function内部调用（比如dataset.map会被TensorFlow自动包装成tf.function），否则会触发你遇到的RuntimeError。

3. 实现模型链式调用的正确方式 #

要保持两个模型分离，同时让自编码器基于频谱图计算损失，有两种常用方式：

方式一：通过Dataset预处理链式调用 #

就是上面提到的，用dataset.map结合修正后的apply_preprocess函数，先把原始一维向量转换成频谱图，再喂给自编码器训练。这种方式完全保持两个模型独立，自编码器的输入就是预处理后的频谱图，损失函数自然基于频谱图计算。

方式二：构建联合模型（可选，若需要端到端训练） #

如果后续需要端到端训练两个模型，可以把它们拼接成一个联合模型，但仍然保持各自的参数独立：

# 定义输入层
input_raw = tf.keras.Input(shape=(22169,))
# 预处理模型输出频谱图
spec = preprocess_model(input_raw)
# 自编码器输出重构的频谱图
reconstructed_spec = autoencoder(spec)
# 构建联合模型
joint_model = tf.keras.Model(inputs=input_raw, outputs=reconstructed_spec)
# 编译时基于频谱图的重构损失
joint_model.compile(optimizer='adam', loss='mse')
# 直接喂原始数据训练
joint_model.fit(dataset)

这种方式下，两个模型的参数仍然是分离的，你可以单独保存、加载preprocess_model或autoencoder。

内容的提问来源于stack exchange，提问作者user305883