DQN网络Sequential与Functional API实现的输入形状差异及Flatten层作用问询

一、用Functional API复刻Sequential模型的输入结构 #

你遇到的核心问题是两个模型的输入样本形状不一致：Sequential版本的输入样本形状是(1,) + obs_space（比如obs_space为(4,)时就是(1,4)），经过Flatten层处理后转为一维的(4,)；而你最初写的Functional API直接用obs_space作为输入形状，相当于跳过了原始的(1,4)输入和Flatten步骤，才导致运行异常。

要完全对齐Sequential模型的结构，只需在Functional API里还原Flatten层和对应的输入形状，修改后的代码如下：

obs_space = env.observation_space.shape
# 匹配Sequential的输入样本形状：(1,) + obs_space
i = Input(shape=(1,) + obs_space)
# 添加Flatten层，和Sequential中的作用完全一致
x = Flatten()(i)
x = Dense(16, activation='relu')(x)
x = Dense(32, activation='relu')(x)
o = Dense(env.action_space.n, activation='linear')(x)
model = Model(i, o)
model.summary()

运行后你会看到，输入层的输出形状为(None, 1, 4)（假设obs_space是(4,)），经过Flatten后转为(None, 4)，和Sequential模型的结构、参数总数（690个）完全对齐，就能正常运行了。

二、model.add(Flatten(input_shape=(1,) + obs_space))的作用拆解 #

这行代码其实完成了两个关键操作：

1. 定义输入样本的形状：input_shape=(1,) + obs_space指定了单个输入样本的结构。比如如果环境返回的观测形状是(4,)，这里就把输入样本设置为(1,4)——可以理解为把单个4维观测包裹在一个长度为1的额外维度里（有些环境会默认返回带这类额外维度的观测，或者你需要强制模型接受这种格式的输入）。
2. 压平多维输入：Flatten层的作用是把多维输入直接压平成一维。对于(1,4)的输入，Flatten后会变成(4,)，这样后面的全连接层（Dense）就能直接处理这个一维特征向量（Dense层默认对最后一个维度做计算）。

补充说明：Keras里的input_shape参数不包含batch维度，所以模型摘要里的None代表batch维度（可以是任意大小的批次）。你之前看到的[(None,4)]只是Functional API输入层的显示格式，本质和Sequential的(None,4)是同类结构，但因为输入形状本身不匹配才导致运行问题，修改后就能完全统一。

内容的提问来源于stack exchange，提问作者GGuemez