如何在TensorFlow中从首个输入层创建多个重复输入层？

核心思路 #

直接复用同一个输入层的输出张量，或通过Lambda层做无计算转发，让多个模型分支共享同一输入源，训练时只需传入一次输入数据即可。

代码实现示例 #

假设需要让三个分支共享同一个输入层：

from tensorflow.keras.layers import Input, Dense, Lambda, concatenate
from tensorflow.keras.models import Model
import numpy as np

# 创建唯一的主输入层
main_input = Input(shape=(100,), name='shared_input')

# 分支1直接复用主输入张量
branch1 = Dense(64, activation='relu')(main_input)
branch1 = Dense(32, activation='relu')(branch1)

# 分支2同样直接基于主输入构建
branch2 = Dense(128, activation='relu')(main_input)
branch2 = Dense(64, activation='relu')(branch2)

# 分支3用Lambda层显式转发（仅为可读性，和直接复用效果一致）
branch3 = Lambda(lambda x: x)(main_input)
branch3 = Dense(32, activation='sigmoid')(branch3)

# 合并分支输出（根据任务需求调整）
merged = concatenate([branch1, branch2, branch3])
final_output = Dense(1, activation='sigmoid')(merged)

# 构建模型，输入仅指定主输入层
model = Model(inputs=main_input, outputs=final_output)
model.compile(optimizer='adam', loss='binary_crossentropy')

# 训练时只需传入一次输入数据
X_train = np.random.rand(1000, 100)
y_train = np.random.randint(0, 2, size=(1000, 1))
model.fit(X_train, y_train, epochs=10, batch_size=32)

关键说明 #

• Keras会自动处理输入张量的共享逻辑，无需创建多个重复的输入层。
• 所有分支基于同一个main_input张量构建，模型训练时仅需传入一次输入数组，避免重复传参。
• Lambda(lambda x: x)是无额外计算的轻量转发方式，仅用于提升代码可读性，可直接省略，直接用main_input接入分支层。

内容的提问来源于stack exchange，提问作者mohammad