如何用tf.data.Dataset为多输入双分支TensorFlow模型喂数

一、解决输入分支匹配问题 #

你的代码存在变量名不一致的错误（比如定义了input_1但后续使用inputs_hydro），这会导致数据无法正确匹配分支。正确的做法是让Dataset返回的输入结构和模型的输入列表顺序严格对应，具体代码如下：

# 假设X对应LSTM分支输入，Xphysio对应全连接分支输入，y为输出数据
# 将两个输入打包为一个Dataset，每个元素是(input1样本, input2样本)
input_dataset = tf.data.Dataset.from_tensor_slices((X, Xphysio))
# 构建输出Dataset
output_dataset = tf.data.Dataset.from_tensor_slices(y)
# 组合输入与输出，每个元素格式为 ((input1, input2), output)
combined_dataset = tf.data.Dataset.zip((input_dataset, output_dataset))

# 推荐添加batch和prefetch操作提升训练效率
combined_dataset = combined_dataset.batch(32).prefetch(tf.data.AUTOTUNE)

# 直接传入模型训练即可
history = model.fit(combined_dataset)

模型会自动匹配分支的原因：你定义模型时inputs=[tensor_input1, tensor_input2]，这个顺序和Dataset返回的输入元组(input1样本, input2样本)完全一致，Keras会自动将第一个输入分配给LSTM分支的tensor_input1，第二个输入分配给全连接分支的tensor_input2。

二、关于Input的shape参数疑问 #

必须指定Input的shape参数，无论你是用numpy数组直接喂数据还是用tf.data.Dataset。

Keras需要通过Input的shape来确定各层权重的维度，从而构建完整的计算图。需要注意的是：Input的shape不需要包含batch维度（即你的nb_samples，比如14000），只需要指定单样本的特征维度——你当前写的shape=(10, 5)和shape=(6,)是完全正确的写法。如果不指定shape，模型无法初始化权重，会直接报错。

内容的提问来源于stack exchange，提问作者Jonathan Roy