tf.keras调用model.summary()首层输出为multiple问题排查

使用TensorFlow tf.keras构建VGG16为骨干的图像分类模型时，调用model.summary()打印结构发现首层输出形状显示为multiple，初步判断和首层关联多输入有关，但无法定位代码问题，需要定位错误并给出可行实现。

问题完全出在自定义的嵌套模型展平逻辑，以及VGG基模型的重复调用操作：

• 实例化VGG16基模型时，模型内部会自动创建专属输入层input_1。代码中feature_batch = vgg(image_batch)这行直接调用VGG模型推理真实图像batch，已经让input_1绑定了第一个输入节点；后续又手动新建inp = layers.Input((224,224,3))，通过cnn = vgg(inp)把VGG接到这个新的Input层上，等于VGG自带的input_1同时绑定了两个不同的输入来源。
• 自定义的flatten_model函数逻辑存在本质缺陷：它只是简单把嵌套模型里的所有层抽出来拼成列表，再塞给Sequential模型，完全没有重建层与层之间的连接拓扑，还把已经绑定了两个输入的VGG内部input_1直接作为Sequential的第一层。这个Input层没有被Sequential正确绑定唯一的输入规格，最终summary就会显示输出形状为multiple。
• 代码还有一处逻辑bug：256维的中间Dense层错误使用了softmax激活函数，softmax会将输出压缩为和为1的概率分布，放在中间层会严重损失特征表达能力，应该替换为relu激活。

方案1：直接使用函数式API构建的完整模型（最推荐） #

你之前通过函数式API写的model = Model(inp, out)本身就是拓扑完整、可直接训练的模型，完全不需要额外写展平嵌套模型的逻辑，直接删除flatten_model相关代码，使用原模型即可，调用model.summary()就不会出现multiple的显示问题。
核心修正后的代码片段如下：

# 删掉所有flatten_model相关代码，直接使用函数式API构建的模型
vgg = tf.keras.applications.VGG16(input_shape=IMG_SHAPE, weights='imagenet', include_top=False, pooling='max')

# 删除无意义的提前推理代码，避免提前绑定输入
# image_batch, label_batch = next(iter(x_train))
# feature_batch = vgg(image_batch)
# print(feature_batch.shape)

for layer in vgg.layers:
    layer.trainable = False

inp = layers.Input((224,224,3))
# 接入VGG对应的预处理层，无需手动额外处理数据
x = tf.keras.applications.vgg16.preprocess_input(inp)
cnn = vgg(x)
x = layers.BatchNormalization()(cnn)
x = layers.Dropout(0.2)(x)
# 修正中间层激活函数为relu
x = layers.Dense(256, activation='relu')(x)
x = layers.BatchNormalization()(x)
x = layers.Dropout(0.2)(x)
out = layers.Dense(291, activation='softmax')(x)

model = Model(inp, out)
# 直接打印原模型的summary，不会出现multiple问题
model.summary()

方案2：正确构建无嵌套的Sequential模型 #

如果确实需要使用纯Sequential结构、不存在嵌套子模型，不要直接抽离子模型的层列表，应该按顺序逐层添加，同时丢弃VGG内部自带的Input层，让Sequential自动创建绑定唯一规格的输入层：

model_flat = Sequential()
# 先添加输入层，明确输入规格
model_flat.add(layers.Input((224,224,3)))
model_flat.add(tf.keras.applications.vgg16.preprocess_input)
# 逐层添加VGG的卷积、池化层，跳过VGG自带的Input层
for layer in vgg.layers[1:]:
    model_flat.add(layer)
# 依次添加后续自定义层
model_flat.add(layers.BatchNormalization())
model_flat.add(layers.Dropout(0.2))
model_flat.add(layers.Dense(256, activation='relu'))
model_flat.add(layers.BatchNormalization())
model_flat.add(layers.Dropout(0.2))
model_flat.add(layers.Dense(291, activation='softmax'))

model_flat.summary()

修正后首层输出形状会正常显示为(None, 224, 224, 3)，不会再出现multiple标识。

内容的提问来源于stack exchange，提问作者JackDH