多通道CNN构建遇ValueError：输出张量需为TensorFlow Layer输出

核心错误点 #

• 直接用numpy数组作为层输入：你将training_x1、training_x2这两个numpy张量直接传给了Conv2D层，而非使用定义好的inputs1、inputs2作为层的输入节点。Functional模型要求所有层的输入必须是前一层的输出张量（或Input层的张量），这样才能追踪层间依赖关系与元数据，直接传入数据数组会导致张量缺失必要的层元数据，触发报错。
• Input层的shape设置错误：training_x1.shape[0]代表样本数量（476），但Input层需要的是单个样本的特征形状，即(47, 3, 1)——batch维度会在训练阶段自动处理，无需在Input层中指定。

修正后的代码 #

import numpy as np
from tensorflow import keras
from keras.models import Model
from keras.layers import Dense, Conv2D, MaxPooling2D, Flatten, Dropout, concatenate, Input

# 示例数据：(样本数, 高度, 宽度, 通道数)
training_x1 = np.zeros((476, 47, 3, 1))  
training_x2 = np.zeros((476, 47, 3, 1))  

# 定义输入层：shape为单个样本的特征形状，不含batch维度
inputs1 = Input(shape=(47, 3, 1))
# 用Input层的张量作为Conv2D的输入，而非直接传入training_x1
conv1 = Conv2D(filters=32, kernel_size=3, activation='relu')(inputs1)
drop1 = Dropout(0.5)(conv1)
pool1 = MaxPooling2D(pool_size=2)(drop1)
flat1 = Flatten()(pool1)

# 第二个通道同理构建
inputs2 = Input(shape=(47, 3, 1))
conv2 = Conv2D(filters=32, kernel_size=3, activation='relu')(inputs2)
drop2 = Dropout(0.5)(conv2)
pool2 = MaxPooling2D(pool_size=2)(drop2)
flat2 = Flatten()(pool2)

# 合并两个通道的特征张量
merged = concatenate([flat1, flat2])

# 全连接层输出
dense1 = Dense(10, activation='relu')(merged)
outputs = Dense(1, activation='linear')(dense1)

# 构建多输入模型
model = Model(inputs=[inputs1, inputs2], outputs=outputs)

# 可查看模型结构
model.summary()

额外说明 #

• 训练模型时，需将training_x1和training_x2作为输入数据传入，例如使用model.fit([training_x1, training_x2], training_y, epochs=10, ...)，而非在模型构建阶段直接将数据喂给层。
• 注意Conv2D的kernel_size与输入特征形状的匹配：当前输入宽度为3，使用kernel_size=3会使卷积后的宽度维度变为1（计算方式：3-3+1=1），若需保留原维度可添加padding='same'参数。

内容的提问来源于stack exchange，提问作者mdslt