Keras多输入模型训练报错：Node mul_1需可广播形状

• 定位问题核心：mul_1节点对应模型中的乘法操作（如tf.multiply或Keras的Multiply层），报错原因是参与乘法的两个张量形状不满足广播兼容规则——要么维度数相同，对应维度要么相等要么为1；要么其中一个张量可通过扩展维度匹配另一个的维度数。

• 检查分支输出与乘法层的形状匹配：

  • 核对CNN分支和FFN分支的最终输出形状，确保进入乘法层前的两个张量形状兼容。比如CNN分支输出为(batch_size, H, W, C)，FFN分支输出需调整为(batch_size, 1, 1, C)才能支持广播相乘；若FFN输出是(batch_size, C)，可通过Reshape((1, 1, C))或tf.expand_dims补充维度。
  • 确认训练输入数据的形状与模型输入层完全对应：比如CNN输入层定义为(None, 224, 224, 3)，训练数据中对应部分必须是(num_samples, 224, 224, 3)；FFN输入层若为(None, 10)，训练数据对应部分需是(num_samples, 10)。

• 验证乘法操作的设计逻辑：如果是用FFN输出作为权重去逐通道加权CNN特征图，必须确保FFN输出的通道数与CNN一致，同时扩展空间维度为1以适配广播。

• 打印形状排查：在模型编译前，通过model.summary()或给关键层添加形状打印语句，核对CNN最后一层、FFN最后一层、乘法层前后的张量形状。示例调整代码：

  # 调整FFN输出形状以适配CNN输出
  ffn_output = Dense(64)(ffn_input)
  ffn_output = Reshape((1, 1, 64))(ffn_output)  # 适配CNN输出的(batch, H, W, 64)
  cnn_output = Conv2D(64, (3,3), activation='relu')(cnn_input)
  multiplied = Multiply()([cnn_output, ffn_output])  # 形状兼容可正常广播
  

内容的提问来源于stack exchange，提问作者Alex