TensorFlow双输入拼接模型代码正确性验证及可视化方法问询

我想要实现下图所示的神经网络模型：

为此我编写了如下代码：

model = tf.keras.Sequential()
volatility = tf.keras.Input(shape=(2, ), name='GeneralParameters')
otherParameters = tf.keras.Input(shape=(3, ), name='OtherParameters')

x = tf.keras.layers.Dense(2, activation="relu")(volatility)
x = tf.keras.layers.Dense(1, activation="relu")(x)
x = tf.keras.Model(inputs=volatility, outputs=x)

y = tf.keras.layers.Dense(2, activation="relu")(otherParameters)
y = tf.keras.layers.Dense(1, activation="relu")(y)
y = tf.keras.Model(inputs=otherParameters, outputs=y)

combined = tf.keras.layers.concatenate([x.output, y.output])
z = tf.keras.layers.Dense(2, activation="relu")(combined)
z = tf.keras.layers.Dense(1, activation="linear")(z)

model = tf.keras.Model(inputs=[x.input, y.input], outputs=z)

请问这段代码是否与图示模型相符？通用情况下如何验证代码对应模型，以及如何从代码生成模型图？

一、代码与图示模型是否相符？ #

完全相符。对照图示结构逐一核对：

• 第一个输入分支：2维输入 → 含2个神经元的ReLU层 → 含1个神经元的ReLU层，代码中volatility输入分支完全匹配；
• 第二个输入分支：3维输入 → 含2个神经元的ReLU层 → 含1个神经元的ReLU层，代码中otherParameters输入分支完全匹配；
• 合并与输出部分：两个分支的1维输出拼接成2维张量 → 含2个神经元的ReLU层 → 1维线性输出层，代码中的拼接和后续Dense层也完全对应图示逻辑。

二、通用验证代码对应模型的方法 #

• 打印模型结构摘要：调用model.summary()，会输出每层的名称、输出形状、参数总量，逐行核对输入维度、每层神经元数量、激活函数、拼接/合并操作是否与设计一致；
• 追踪张量形状：在代码中每层输出后加入print(张量.shape)，比如x = tf.keras.layers.Dense(2, activation="relu")(volatility)后加print(x.shape)，确认每一步的输出维度符合预期；
• 测试输入输出：构造符合输入形状的测试数据（比如用numpy生成随机数组），运行model.predict()，检查输出形状是否正确，同时可以反向验证各分支的中间输出是否符合设计逻辑。

三、从代码生成模型图的方法 #

方法1：使用Keras内置的plot_model工具 #

首先确保安装了依赖库pydot和graphviz，然后执行以下代码：

from tensorflow.keras.utils import plot_model

# 生成模型图，保存为图片文件
plot_model(
    model,
    to_file='model_structure.png',
    show_shapes=True,  # 显示每层输入输出形状
    show_layer_names=True,  # 显示层名称
    rankdir='TB'  # 布局方向：TB为从上到下，LR为从左到右
)

方法2：通过TensorBoard可视化 #

1. 生成模型日志：

import tensorflow as tf
import datetime

# 设置日志保存路径
log_dir = "logs/model_log/" + datetime.datetime.now().strftime("%Y%m%d-%H%M%S")
# 创建TensorBoard回调
tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir=log_dir, histogram_freq=1)

# 若模型已训练，可通过fit传入回调；未训练也可手动写入日志
model.save(log_dir + "/model.h5")

2. 启动TensorBoard：在终端执行命令tensorboard --logdir logs/model_log，然后在浏览器打开提示的地址（通常为http://localhost:6006），即可查看模型的可视化结构、参数分布等信息。

内容的提问来源于stack exchange，提问作者Peter Chikov