如何优雅地在TensorFlow中连接两个兼容的Sequential模型？

需求背景 #

需要将两个结构兼容的Sequential模型按顺序连接，把model2的层依次堆叠在model1之后，形成连续的层结构（而非在张量维度上合并分支输出）。

模型定义 #

model1的定义：

from tensorflow.keras import layers, models, Sequential
from tensorflow.keras.layers import concatenate, Add, Dense

model1 = models.Sequential([
            layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)),
            layers.MaxPooling2D((2, 2))
])

model2的定义：

model2 = models.Sequential([
            layers.Conv2D(64, (3, 3), activation='relu'),
            layers.MaxPooling2D((2, 2)),
            layers.Conv2D(64, (3, 3), activation='relu')
])

当前实现方式（不够优雅）：

for i in range( len( model2.layers ) ):
    model1.add(model2.layers[i])

最优解决方案 #

方法1：直接用add方法添加整个模型 #

Sequential的add方法支持直接传入另一个Sequential模型（只要输入输出维度兼容），这是最简洁的方式：

model1.add(model2)

执行后，model1会自动将model2的所有层堆叠在自身层的后面，完全符合预期结构。

方法2：创建新的合并模型（不修改原模型） #

如果不想改动原有model1和model2，可以通过合并两个模型的层列表生成新模型：

combined_model = models.Sequential(model1.layers + model2.layers)

这种方式会生成全新的Sequential模型，包含两个原模型的所有层，同时保留原模型的独立性。

关键说明 #

你之前尝试的Concatenate类是用于在张量维度上合并并行分支的输出（比如把两个分支的特征张量在通道维度拼接），而非顺序堆叠层结构，因此不适用当前场景。只有处理多分支模型的输出合并时，才需要用到Concatenate、Add这类层合并方法。

验证：执行上述任一方法后，调用model1.summary()或combined_model.summary()，即可得到你需要的层结构与参数统计结果。

内容的提问来源于stack exchange，提问作者Ji Won Song