Keras构建GAN判别器报错预期1个输入却收到3个张量如何解决？

1. 重复指定输入形状：Sequential模型仅第一层需要指定input_shape，你给判别器的第二、第三层Conv2D也加了input_shape = img_shape参数，而经过第一层卷积后特征图形状已经和原始输入图片不同，强行指定输入形状会导致形状匹配逻辑错乱，将输入形状元组的三个元素识别为三个独立的输入张量。
2. Dense层语法错误：Dense(1,Activation('sigmoid'))是错误写法，你把Activation层实例传递给了Dense层第二个位置参数（本应为use_bias参数的位置），参数传递错乱导致层的输入输出逻辑异常。
3. 代码缩进错误：第三层Conv2D之后的BatchNormalization、LeakyReLU等层缩进和前面的model.add不对齐，导致这些层没有被正确加入判别器模型。
4. 缺失生成器定义：你直接调用了generator(z_dim)但没有提前定义生成器函数，且如果生成器输出形状和判别器输入形状(32,32,3)不匹配，拼接GAN时也会报错。
5. 命名冲突：函数名和实例化后的变量名完全重名，后续如果需要重新调用构造函数会找不到原函数。

修正后的完整可运行代码如下：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, LeakyReLU, BatchNormalization, Flatten, Dense, Reshape, UpSampling2D
from tensorflow.keras.optimizers import Adam

img_rows = 32
img_cols = 32
channels = 3

img_shape = (img_rows, img_cols, channels)
z_dim = 150

# 修正函数名，避免和实例变量重名
def build_discriminator(img_shape):
    model = Sequential()
    # 仅第一层指定input_shape
    model.add(Conv2D(32, 
                 kernel_size=3, 
                 strides=2,
                 input_shape=img_shape,
                 padding='same'))
    model.add(LeakyReLU(alpha=0.01))

    # 移除多余的input_shape参数
    model.add(Conv2D(64, 
                 kernel_size=3, 
                 strides=2, 
                 padding='same'))
    model.add(BatchNormalization())
    model.add(LeakyReLU(alpha=0.01))

    # 移除多余的input_shape参数，修正缩进
    model.add(Conv2D(128, 
                 kernel_size=3, 
                 strides=2, 
                 padding='same'))
    model.add(BatchNormalization())
    model.add(LeakyReLU(alpha=0.01))

    model.add(Flatten())
    # 修正Dense层激活函数写法
    model.add(Dense(1, activation='sigmoid'))
    return model

# 补充生成器定义，确保输出形状为(32,32,3)
def build_generator(z_dim):
    model = Sequential()
    model.add(Dense(128 * 8 * 8, input_dim=z_dim))
    model.add(LeakyReLU(alpha=0.01))
    model.add(Reshape((8, 8, 128)))
    
    model.add(UpSampling2D())
    model.add(Conv2D(128, kernel_size=3, padding='same'))
    model.add(BatchNormalization())
    model.add(LeakyReLU(alpha=0.01))
    
    model.add(UpSampling2D())
    model.add(Conv2D(64, kernel_size=3, padding='same'))
    model.add(BatchNormalization())
    model.add(LeakyReLU(alpha=0.01))
    
    model.add(Conv2D(3, kernel_size=3, padding='same', activation='tanh'))
    return model

def build_gan(generator, discriminator):
    model = Sequential()
    model.add(generator)
    model.add(discriminator)
    return model

discriminator = build_discriminator(img_shape)
discriminator.compile(loss='binary_crossentropy', optimizer=Adam(), metrics=['accuracy'])

discriminator.trainable = False
generator = build_generator(z_dim)

gan = build_gan(generator, discriminator)
gan.compile(loss='binary_crossentropy', optimizer=Adam())

修复要点说明：

• 调整函数命名，避免和实例变量重名
• 移除第二、三层卷积多余的input_shape参数，统一缩进格式
• 修正Dense层激活函数的传递方式
• 补充符合输入输出形状要求的生成器实现，保证生成器输出和判别器输入形状匹配

内容的提问来源于stack exchange，提问作者DellFan0914