TensorFlow多分支模型输入数量与底层输入输出机制问询

一、输入数量说明 #

这个模型只有1个输入，就是代码里定义的main_input，不存在3个输入的情况。两个子网络（entity_extraction和relation_extraction）都是复用同一个main_input作为输入源，相当于对同一组输入数据执行了两次独立的特征提取流程，并没有引入新的输入分支。代码最后Model(inputs=[main_input])也明确指定了模型的输入列表仅包含这一个元素，所以输入数量是1。

二、底层输入输出机制拆解 #

1. 输入层定义 #

main_input是形状为(MAX_SEQUENCE_LENGTH,)的整数序列输入，数据类型为int32，是整个模型的唯一数据入口，接收外部传入的整数序列（比如文本分词后的索引序列）。

2. 子网络特征提取流程 #

两个子网络的结构完全一致，各自独立对输入进行特征处理：

• 嵌入转换：embedding_layer(main_input)将离散的整数索引转换为连续的低维嵌入向量，把输入映射到更适合神经网络处理的向量空间。
• 序列特征提取：CuDNNLSTM(KG_EMBEDDING_DIM, return_sequences=True)(x)利用CuDNN加速的LSTM层处理嵌入序列，return_sequences=True保留每个时间步的输出，完整捕捉序列的时序特征。
• 序列压缩：Avg(x)对LSTM输出的序列做平均池化，将变长的序列特征压缩为固定长度的向量，消除序列维度差异。
• 特征变换：Dense(KG_EMBEDDING_DIM)(x)通过全连接层对池化后的特征做线性变换，维持特征维度的同时调整特征分布。
• 非线性激活：Activation('relu')(x)用ReLU激活函数引入非线性，让模型能够学习更复杂的特征关系。
• 维度调整：Transpose(x)对特征向量做转置操作，调整张量的维度顺序，确保后续拼接操作的维度匹配。

3. 输出合并与最终预测 #

• 特征拼接：Concatenate(axis=0)([entity_extraction,relation_extraction])将两个子网络的输出沿着样本维度（轴0）拼接，把两组特征合并为一个张量。
• 分类输出：Dense(units=20, activation='softmax')(...)通过全连接层结合softmax激活函数，将合并后的特征映射为20类的概率分布，得到模型的最终输出final_output。

4. 模型计算图构建 #

Model(inputs=[main_input], outputs=[final_output])将输入和输出节点关联，形成完整的计算图。在训练或推理时，输入的整数序列会同时流入两个子网络分支进行并行计算，各自生成特征后合并，最终输出分类概率。

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