Keras拼接模型训练报错：数据基数不明确的解决方案咨询

你的模型设计要求每个输入样本必须同时具备diags和labs特征（拼接层需要将两个子模型的输出按样本一一对应拼接），但当前两个输入数据集的样本数完全不匹配，且训练时传入了两个标签数组，和模型单输出的结构矛盾，导致Keras无法对齐样本，触发基数不匹配错误。

方案1：对齐重叠样本 #

如果两个数据集存在重叠样本（比如共享患者ID），直接筛选出同时拥有diags和labs数据的样本，让两个输入的样本数统一。例如用pandas按ID合并数据，只保留非空行，之后训练代码修改为：

# 假设已完成数据对齐，得到样本数相同的x_diags_aligned、x_labs_aligned、y_aligned
full_model.fit([x_diags_aligned, x_labs_aligned], y_aligned, batch_size=64, epochs=5)

方案2：多任务独立预测（放弃拼接） #

如果需求是让两个子模型分别学习各自输入的特征、独立输出预测结果，可将模型改为多输出结构，这样就能接受不同样本数的输入，分别训练两个任务：

# 诊断数据分支
input_diags = tf.keras.layers.Input(shape=(1032,))
dense_1_diags = tf.keras.layers.Dense(16, activation='elu')(input_diags)
dense_2_diags = tf.keras.layers.Dense(4, activation='elu')(dense_1_diags)
output_diags = tf.keras.layers.Dense(1, activation='elu')(dense_2_diags)

# 实验室数据分支
input_labs = tf.keras.layers.Input(shape=(230,))
dense_1_labs = tf.keras.layers.Dense(16, activation='elu')(input_labs)
dense_2_labs = tf.keras.layers.Dense(4, activation='elu')(dense_1_labs)
output_labs = tf.keras.layers.Dense(1, activation='elu')(dense_2_labs)

# 多输出模型定义
full_model = tf.keras.Model(inputs=[input_diags, input_labs], outputs=[output_diags, output_labs])

# 编译（可给两个任务设置不同损失权重）
full_model.compile(
    loss=[tf.keras.losses.BinaryCrossentropy(from_logits=False), 
          tf.keras.losses.BinaryCrossentropy(from_logits=False)],
    optimizer=tf.keras.optimizers.Adam(learning_rate=0.001),
    metrics=[[tf.keras.metrics.AUC(), tf.keras.metrics.Precision(), tf.keras.metrics.Recall()],
             [tf.keras.metrics.AUC(), tf.keras.metrics.Precision(), tf.keras.metrics.Recall()]]
)

# 训练时传入对应输入和标签
full_model.fit([x_train_diags, x_train_labs], [y_train_diags, y_train_labs], batch_size=64, epochs=5)

方案3：统计特征填充缺失值 #

如果样本属于同一批对象，但部分只有diags、部分只有labs，用特征均值/中位数替代补零，合并成完整数据集后训练：

import numpy as np

# 计算诊断数据特征的均值，填充实验室样本的诊断特征
diags_mean = x_train_diags.mean(axis=0)
x_labs_with_diags = np.hstack([np.tile(diags_mean, (x_train_labs.shape[0], 1)), x_train_labs])

# 计算实验室数据特征的均值，填充诊断样本的实验室特征
labs_mean = x_train_labs.mean(axis=0)
x_diags_with_labs = np.hstack([x_train_diags, np.tile(labs_mean, (x_train_diags.shape[0], 1))])

# 合并数据集和标签
x_combined = np.vstack([x_diags_with_labs, x_labs_with_diags])
y_combined = np.vstack([y_train_diags, y_train_labs])

# 单输入模型训练
input_combined = tf.keras.layers.Input(shape=(1032+230,))
dense1 = tf.keras.layers.Dense(16, activation='elu')(input_combined)
dense2 = tf.keras.layers.Dense(4, activation='elu')(dense1)
output = tf.keras.layers.Dense(1, activation='elu')(dense2)

model = tf.keras.Model(inputs=input_combined, outputs=output)
model.compile(
    loss=tf.keras.losses.BinaryCrossentropy(from_logits=False),
    optimizer=tf.keras.optimizers.Adam(learning_rate=0.001),
    metrics=[tf.keras.metrics.AUC(), tf.keras.metrics.Precision(), tf.keras.metrics.Recall()]
)
model.fit(x_combined, y_combined, batch_size=64, epochs=5)

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