如何在TensorFlow 2.x Keras自定义层中实现多输入（掩码乘图像）？

我来帮你搞定这个TensorFlow 2.x/Keras里自定义多输入层的问题～在TF2.x的Keras体系里，处理多输入其实比你找的TF1.x方案简单很多，直接看下面的实现就行：

完善后的自定义层代码 #

import tensorflow as tf
from tensorflow.keras import layers

class MaskImageMul(layers.Layer):
    def __init__(self, **kwargs):
        super().__init__(**kwargs)

    def call(self, inputs):
        # 从输入列表里解包出图像和掩码张量
        image, mask = inputs
        
        # 可选：加个形状检查，避免维度不兼容的坑
        if image.shape != mask.shape:
            raise ValueError("图像和掩码的形状必须完全匹配哦！")
        
        # 核心操作：逐元素相乘实现掩码与图像的融合
        z = image * mask  # 用tf.multiply(image, mask)也完全等价
        return z

如何在模型里使用这个层 #

给你个简单的使用示例，方便你快速上手：

# 定义两个输入分支：图像输入和掩码输入
image_input = layers.Input(shape=(256, 256, 3))
mask_input = layers.Input(shape=(256, 256, 3))

# 调用自定义层，注意要把多个输入用列表传进去
masked_image = MaskImageMul()([image_input, mask_input])

# 构建完整模型并查看结构
model = tf.keras.Model(inputs=[image_input, mask_input], outputs=masked_image)
model.summary()

关键细节说明 #

• 多输入的传递方式：调用自定义层时，必须把多个输入打包成列表传入（比如MaskImageMul()([image_input, mask_input])），这样call方法里的inputs参数就会是一个包含所有输入张量的列表，直接解包就能用。
• 逐元素相乘的两种写法：用*运算符和tf.multiply()效果完全一致，选你看着顺眼的就行。
• 形状检查的必要性：添加形状匹配判断是个好习惯，能提前帮你排查输入维度不匹配的问题，避免运行时出现莫名其妙的错误。

这个写法完全适配TensorFlow 2.x的Keras API，比TF1.x的旧方案简洁太多啦～

内容的提问来源于stack exchange，提问作者Salih F. Canpolat