Keras拼接Conv1D与Transformer构建集成模型报ValueError求解

通过拼接自定义Conv1D模块与Transformer模块的输出层构建集成模型时，逐行验证从concatenate()操作到最终Dense层的所有执行步骤，各环节输出张量形状均符合预期，但执行到Model(inputs, outputs)模型实例化阶段时抛出如下错误：

ValueError: Found unexpected instance while processing input tensors for keras functional model. Expecting KerasTensor which is from tf.keras.Input() or output from keras layer call(). Got: 22

全局输入形状定义：input = (None, 22, 1)

Conv1D模块输出部分代码片段 #

、、、
x = Add()([x, skip])
x = Activation('relu')(x)
x = MaxPooling1D(20)(x) 
x = Flatten()(x)
out = Dense(512, activation="relu")(x)
out1 = Dropout(0.5)(out)
return out1
、、、

Transformer模块特征输出部分代码片段 #

、、、
for dim in mlp_units:
    x = layers.Dense(dim, activation="relu")(x)
    x = layers.Dropout(mlp_dropout)(x)
    output2 = layers.Dense(7, activation="softmax")(x)
return  out2
、、、

输出拼接与模型封装部分代码片段 #

、、、
def get_model():
inp = Input(input)
out1 = Conv1D(inp)
out2 = Transformer(inp)
conc = concatenate([out1, out2])    
x = Dense(512, activation='relu')(conc)
x = Dropout(0.5)(x)    
outp = Dense(n_outputs, activation="softmax")(x)

model = Model(inputs=inp ,outputs=outp)
   
return model 
、、、

报错触发位置 #

、、、
model = get_model()
、、、

该错误本质是构建Keras函数式模型的计算图时，本该传入KerasTensor的位置混入了整数22，结合代码来看，问题集中在3个高概率点：

• 返回值拼写错误：Transformer模块循环内给输出赋值的变量名是output2，但return语句返回的是out2，二者名称不一致。如果函数内部未定义out2，Python会自动查找全局作用域的同名变量，若全局存在值为22的out2变量，整数就会被混入计算图，直到Model实例化遍历计算节点时才触发报错。另外代码将最终分类Dense层写在for循环内部，会重复创建层对象，属于逻辑bug。
• 命名冲突：自定义卷积模块命名为Conv1D，和Keras内置的tf.keras.layers.Conv1D层完全重名，如果存在通配符导入from tensorflow.keras.layers import *或导入顺序问题，调用Conv1D(inp)时实际触发的是Keras内置Conv1D层的初始化逻辑，参数错位后会把形状维度值22误传入计算图。此外输入形状变量命名为input，和Python内置input()函数重名，容易被意外覆盖为其他值。
• Input层传参不规范：直接将包含batch维度的形状元组作为位置参数传给Input()，未明确指定参数名，极端情况下会触发参数解析错误，把形状中的维度值22识别为输入张量。

1. 统一修改变量名避免冲突
   • 将输入形状变量重命名为input_shape，不要占用内置名称：

     input_shape = (None, 22, 1)
     

   • 将自定义Conv1D模块重命名为conv1d_block，Transformer模块重命名为transformer_block，避免和Keras内置层重名。
2. 修复Transformer模块的逻辑错误
   对齐返回值变量名，将最终分类Dense层移到循环外部，避免重复创建层：

   、、、
   for dim in mlp_units:
       x = layers.Dense(dim, activation="relu")(x)
       x = layers.Dropout(mlp_dropout)(x)
   # 输出层移到循环外，统一变量名为out2
   out2 = layers.Dense(7, activation="softmax")(x)
   return out2
   、、、
   

3. 规范模型构建代码
   明确Input层参数，调用自定义模块时使用新的命名，确认传入Model的参数都是KerasTensor：

   、、、
   def get_model():
       # 明确指定batch_shape参数，避免解析歧义
       inp = Input(batch_shape=input_shape)
       out1 = conv1d_block(inp)
       out2 = transformer_block(inp)
       conc = concatenate([out1, out2])    
       x = Dense(512, activation='relu')(conc)
       x = Dropout(0.5)(x)    
       outp = Dense(n_outputs, activation="softmax")(x)
   
       model = Model(inputs=inp, outputs=outp)
       return model 
   、、、
   

4. 校验节点类型（可选排查手段）
   若修改后仍报错，可在模型构建过程中逐行打印各节点类型，确认所有节点都是KerasTensor，快速定位混入非张量值的位置：

   print(type(inp)) # 正常输出应为<class 'keras.engine.keras_tensor.KerasTensor'>
   

内容的提问来源于stack exchange，提问作者NianTang Liu