如何访问Keras Input()层的单个元素？Sequential模型场景答疑

背景 #

我将两个Sequential模型组合成一个整体模型：

model = Sequential([seq_model1, seq_model2])

seq_model1的输出是tf.Tensor(shape=(None,5), dtype=float32)，因此seq_model2的输入定义为keras.layers.Input(shape=(5,))。

问题 #

尝试直接索引Input层对象时，发现无法正确获取单个特征元素：

inputs = keras.layers.Input(shape=(5,)) # 返回 <KerasTensor: shape=(None, 5) dtype=float32>
a = inputs[0] # 返回 <KerasTensor: shape=(5,) dtype=float32>
b = inputs[20] # 返回 <KerasTensor: shape=(5,) dtype=float32>

显然inputs不是传统可迭代对象，直接索引操作是在批量维度（第一个None维度）取值，而非特征维度的单个元素。我需要在seq_model2中访问输入的单个特征元素，进行依赖这些元素的自定义计算。

解决方案 #

Input层返回的是符号张量（KerasTensor），它是计算图的占位符，不存储实际数据，但可以通过符号操作定义对特征元素的处理逻辑，运行时会作用于实际输入数据。

1. 在Sequential模型中用Lambda层提取单个特征 #

如果seq_model2仍想用Sequential结构，可以用Lambda层完成特征切片：

import tensorflow as tf
from tensorflow.keras import Sequential, layers

seq_model2 = Sequential([
    # 提取特征维度的第0个元素（[:,0]表示批量中每个样本的第0个特征）
    layers.Lambda(lambda x: x[:, 0], name="extract_feature_0"),
    # 后续自定义计算层示例
    layers.Dense(8, activation="relu"),
    layers.Dense(1)
])

2. 用函数式API实现多元素自定义计算 #

如果需要同时处理多个特征元素并进行复杂计算，函数式API会更灵活：

def build_seq_model2():
    inputs = layers.Input(shape=(5,))
    
    # 提取不同位置的特征元素
    feat_0 = layers.Lambda(lambda x: x[:, 0])(inputs)
    feat_3 = layers.Lambda(lambda x: x[:, 3])(inputs)
    
    # 自定义计算：比如两个元素求和后做后续处理
    summed_feat = layers.Add()([feat_0, feat_3])
    # 增加维度适配Dense层输入要求
    summed_feat = layers.Reshape((1,))(summed_feat)
    
    # 后续网络层
    output = layers.Dense(10, activation="relu")(summed_feat)
    output = layers.Dense(1)(output)
    
    return tf.keras.Model(inputs=inputs, outputs=output)

seq_model2 = build_seq_model2()

关键说明 #

• Input层的shape=(5,)对应的是单个样本的特征形状，完整张量形状是(None,5)，其中None代表批量大小（运行时动态确定）。
• 要访问特征维度的第n个元素，需用切片语法x[:, n]，而非x[n]（后者是取批量中的第n个样本）。

内容的提问来源于stack exchange，提问作者tsf44