构建Keras多输入模型时遇AttributeError：'Model'无'_name'属性

嘿，我一眼就看出你代码里的问题啦！

你出错的核心原因是：创建tf.keras.Model时，inputs参数传错了对象。你现在传的是concatenate层输出的张量layer_input，但Keras要求这里必须传入最初定义的Input层实例，而不是拼接后的张量结果。concatenate返回的是层的输出张量，不是合法的模型输入节点，这就导致Keras内部处理元数据时找不到必要的_name属性，抛出了这个错误。

修正后的完整代码 #

import tensorflow as tf

# 定义两个输入层
layer_input1 = tf.keras.Input(shape=(None, 1), name='layer1')
layer_input2 = tf.keras.Input(shape=(None, 1), name='layer2')

# 拼接两个输入
layer_input = tf.keras.layers.concatenate([layer_input1, layer_input2], name='inputs')

# 后续全连接层
fc_1 = tf.keras.layers.Dense(2, activation='relu')(layer_input)
fc_1 = tf.keras.layers.Dropout(0.5)(fc_1)
fc_2 = tf.keras.layers.Dense(10, activation='relu')(fc_1)
output_layer = tf.keras.layers.Dense(1, activation='relu', name='predictions')(fc_2)

# 关键修正：传入原始的两个Input层作为模型输入
model = tf.keras.Model(inputs=[layer_input1, layer_input2], outputs=output_layer)

为什么这样能解决问题？ #

当你把[layer_input1, layer_input2]传给inputs参数时，Keras会把这两个Input层识别为模型的输入节点，而拼接层会作为模型内部的第一个运算层，这样整个数据流从输入到输出的链路就完全合法了，内部的元数据处理也不会再出错。

内容的提问来源于stack exchange，提问作者Noel Saade