TensorFlow多输入模型不用model.predict，如何用model(x)实现预测？

我构建了一个多输入的生成模型，代码如下：

from tensorflow.keras.layers import Input, Dense, BatchNormalization, LeakyReLU, concatenate, Reshape
from tensorflow.keras.models import Model

noise = Input(shape=(100,))
label = Input(shape=(10,))
x = Dense(128)(noise)
x = BatchNormalization()(x)
x = LeakyReLU()(x)
y = Dense(128)(label)
y = BatchNormalization()(y)
y = LeakyReLU()(y)
x = concatenate([x, y], axis=-1)
x = Dense(256)(x)
x = BatchNormalization()(x)
x = LeakyReLU()(x)
x = Dense(512)(x)
x = BatchNormalization()(x)
x = LeakyReLU()(x)
x = Dense(1024)(x)
x = BatchNormalization()(x)
x = LeakyReLU()(x)
x = Dense(784, activation='tanh')(x)
image = Reshape((28, 28, 1))(x)
model = Model(inputs=[noise, label], outputs=[image])

通常我会用model.predict(x=[noise, label])做预测，但现在我想改用model(x)的方式。可是当我尝试model([noise, label])时，发现模型一直在扩展，根本无法正常工作。而且我不能使用model.predict，请问有没有办法让model(x)正常运行？

问题出在你传入的参数类型上——你把构建模型时用的Input层对象传给了model()，而不是实际的输入数据张量。Keras的__call__方法（也就是model(x)背后调用的逻辑）如果收到Input层实例，会把它当作新的输入节点添加到模型中，这就导致模型不断扩展，无法正常执行前向传播。

要解决这个问题，你只需要传入符合输入形状的实际数据（numpy数组或者TensorFlow张量），而不是Input层对象。具体做法如下：

1. 准备符合输入形状的测试数据
   比如生成随机的噪声和标签数据（注意要匹配模型输入的shape）：

import numpy as np
import tensorflow as tf

# 生成批量大小为1的测试噪声：shape (1, 100)
test_noise = np.random.randn(1, 100)
# 生成one-hot编码的测试标签：shape (1, 10)
test_label = tf.one_hot([3], depth=10).numpy()  # 这里假设标签是类别3

2. 直接用数据调用模型
   把准备好的数据传入model()，就能正常执行前向传播了：

# 调用模型得到输出
generated_image = model([test_noise, test_label])
# 可以查看输出形状，应该是(1, 28, 28, 1)
print(generated_image.shape)

3. 避免重复传入Input层对象
   如果是在循环或者训练流程中调用模型，一定要确保每次传入的都是实际数据，而不是构建模型时的noise、label这些Input层实例。只要传入的是正确形状的张量/数组，model(x)就会像预期那样执行前向传播，不会导致模型扩展。

另外补充一点：model(x)和model.predict()的核心区别在于，predict会自动处理批量、数据类型转换等细节，而model(x)是直接执行模型的前向传播计算图，所以你需要自己保证输入数据的形状、类型和模型输入匹配（比如确保数据是float32类型，和模型权重一致）。

内容的提问来源于stack exchange，提问作者Ianlee