根据流程图搭建卷积神经网络(CNN)的代码纠错求助

你的代码存在多处语法、API使用和结构逻辑错误，无法直接运行，具体问题和修正方案如下：

参考网络结构图：

• 模型API混用：你同时使用Sequential顺序模型和函数式API写法，还试图对Concatenate输出的张量对象调用.add()方法——.add()是Sequential模型类的专属方法，普通Keras张量没有该方法。这类带多分支拼接的结构必须使用函数式API搭建。
• 导入项缺失/混乱：代码用到了LeakyReLU、MaxPooling2D、Dropout层但未导入；同时混用tensorflow.keras和独立keras的导入路径，极易触发版本兼容、维度不匹配类报错，所有层需统一从tensorflow.keras导入。
• 参数名拼写错误：所有Conv2D层的步长参数为复数形式strides，你全部误写为stride，会触发未知参数报错。
• 特征拼接维度错误：TensorFlow默认张量维度顺序为(批次, 高度, 宽度, 通道数)，多分支特征的通道拼接需指定axis=-1（最后一个维度），你写的axis=1是在高度维度做拼接，会直接触发维度不匹配错误。
• 基础语法错误：三个堆叠块开头的Conv2D层调用都缺失右括号，代码无法通过语法检查。
• 结构逻辑错误：
  • 第一层Conv2D已经设置了activation='relu'，后续又接BatchNormalization和LeakyReLU，存在重复激活，和设计结构不符
  • 多分支卷积层未设置padding='same'，不同尺寸卷积核输出的特征图宽高不一致，无法直接拼接
  • 错误给Dropout层设置activation='softmax'：Dropout是正则化层，不承担激活变换功能，softmax需配置在最后一层分类全连接层上
  • 缺失最终分类输出层，Dense(200)接Dropout后没有对应多分类类别数的输出节点
  • 变量名拼写错误：最后定义的model_dfu_spnet后续误写为mode_dfu_spnet，会触发变量不存在报错

import tensorflow as tf
from tensorflow.keras.layers import (
    Input, Conv2D, Concatenate, Dense, Flatten, 
    BatchNormalization, LeakyReLU, MaxPooling2D, Dropout
)
from tensorflow.keras.models import Model

# 输入层，单通道灰度图输入尺寸128*128
inputs = Input(shape=(128, 128, 1))

# 第一个堆叠卷积块
x = Conv2D(filters=64, kernel_size=7, strides=(2,2), padding='same')(inputs)
x = BatchNormalization()(x)
x = LeakyReLU(alpha=0.1)(x)
# 多分支卷积，统一same padding保证输出特征图尺寸一致
branch1 = Conv2D(filters=32, kernel_size=3, strides=(1,1), padding='same', activation='relu')(x)
branch2 = Conv2D(filters=64, kernel_size=5, strides=(1,1), padding='same', activation='relu')(x)
branch3 = Conv2D(filters=128, kernel_size=5, strides=(1,1), padding='same', activation='relu')(x)
concat1 = Concatenate(axis=-1)([branch1, branch2, branch3])

# 第二个堆叠卷积块
x = Conv2D(filters=64, kernel_size=1, strides=(1,1), padding='same', activation='relu')(concat1)
x = BatchNormalization()(x)
x = LeakyReLU(alpha=0.1)(x)
x = MaxPooling2D((2,2), strides=(2,2), padding='same')(x)
branch1 = Conv2D(filters=32, kernel_size=1, strides=(1,1), padding='same', activation='relu')(x)
branch2 = Conv2D(filters=64, kernel_size=3, strides=(1,1), padding='same', activation='relu')(x)
branch3 = Conv2D(filters=128, kernel_size=5, strides=(1,1), padding='same', activation='relu')(x)
concat2 = Concatenate(axis=-1)([branch1, branch2, branch3])

# 第三个堆叠卷积块
x = Conv2D(filters=64, kernel_size=1, strides=(1,1), padding='same', activation='relu')(concat2)
x = BatchNormalization()(x)
x = LeakyReLU(alpha=0.1)(x)
x = MaxPooling2D((2,2), strides=(2,2), padding='same')(x)
branch1 = Conv2D(filters=32, kernel_size=1, strides=(1,1), padding='same', activation='relu')(x)
branch2 = Conv2D(filters=64, kernel_size=3, strides=(1,1), padding='same', activation='relu')(x)
branch3 = Conv2D(filters=128, kernel_size=5, strides=(1,1), padding='same', activation='relu')(x)
concat3 = Concatenate(axis=-1)([branch1, branch2, branch3])

# 分类头
x = Conv2D(filters=64, kernel_size=1, strides=(1,1), padding='same', activation='relu')(concat3)
x = BatchNormalization()(x)
x = LeakyReLU(alpha=0.1)(x)
x = MaxPooling2D((2,2), strides=(2,2), padding='same')(x)
x = Flatten()(x)
x = Dense(200, activation='relu')(x)
x = Dropout(0.3)(x)
# 请将下方数字替换为你实际的多分类类别总数
outputs = Dense(10, activation='softmax')(x)

# 组装模型
model_dfu_spnet = Model(inputs=inputs, outputs=outputs)
# 打印模型结构核对参数
model_dfu_spnet.summary()

• 若你使用3通道RGB伤口图像训练，需将输入层shape修改为(128, 128, 3)
• 最后一层Dense的神经元数量必须和你的分类类别数保持一致
• 训练时若标签为整数编码，损失函数选择sparse_categorical_crossentropy；若标签为独热编码，损失函数选择categorical_crossentropy

内容的提问来源于stack exchange，提问作者Azhan Ahmed