扩展已构建TensorFlow模型新增输入与层时触发TypeSpec构建报错

给已构建完成的TensorFlow/Keras模型新增网络逻辑：新增一个形状为(20,3)的输入，计算原模型输出与新输入的差值，沿指定轴对差值求和后调整输出形状，所有逻辑尝试基于Lambda层实现，初始核心代码如下：

new_input = Input(shape=(20, 3))
sub_layer = Lambda(lambda x: Reshape((20,1))(backend.sum(x[0] - x[1], axis=-1)))((model.output,new_input))
model = Model(inputs=[model.input, new_input], outputs=sub_layer.output)

代码运行时固定抛出如下错误：

Could not build a TypeSpec for KerasTensor(type_spec=TensorSpec(shape=(None, 20, 1), dtype=tf.float32, name=None), name='tf.reshape/Reshape:0', description="created by layer 'tf.reshape'") of unsupported type <class 'keras.engine.keras_tensor.KerasTensor'>.

• Lambda层的设计定位是封装无状态的原生后端运算操作，不支持在Lambda传入的执行函数内部嵌套调用其他Keras层实例（即代码中写在Lambda里的Reshape层）。
• Keras构建计算图做类型推导时，无法识别嵌套在Lambda内部的Keras层输出的KerasTensor类型，最终触发TypeSpec构建失败的报错。

将Lambda内部的Keras层调用替换为等价的后端原生运算接口即可，不需要在Lambda内嵌套Keras层，修正后的代码如下：

from tensorflow.keras import backend as K

new_input = Input(shape=(20, 3))
# Lambda内部全部使用后端原生运算，不嵌套调用Keras层
sub_layer = Lambda(
    lambda x: K.reshape(K.sum(x[0] - x[1], axis=-1), (-1, 20, 1))
)((model.output, new_input))
model = Model(inputs=[model.input, new_input], outputs=sub_layer)

注意事项：reshape操作的batch维度用-1占位，不要硬编码batch大小，避免训练、推理时因batch数不匹配触发形状错误。

如果不想使用后端接口实现reshape，也可以把Reshape层移到Lambda层外部串行调用，逻辑完全等价：

from tensorflow.keras.layers import Reshape

new_input = Input(shape=(20, 3))
# Lambda仅负责差值计算、沿轴求和逻辑
sub_result = Lambda(lambda x: K.sum(x[0] - x[1], axis=-1))((model.output, new_input))
# Reshape作为独立网络层在Lambda外部调用
sub_layer = Reshape((20, 1))(sub_result)
model = Model(inputs=[model.input, new_input], outputs=sub_layer)

内容的提问来源于stack exchange，提问作者lkaupp