Keras双输入模型运行model.fit方法报错的原因及解决方法咨询

报错触发原因 #

该错误核心由计算图连通性问题导致，常见触发场景有三类：

1. 直接复用独立构建的autoencoder实例处理两个输入时，该实例在之前的构建流程中已经绑定了专属输入层，跨模型调用时Keras无法正确追踪input1/input2到最终输出的反向传播路径，出现计算图断裂。
2. 输入层写法不规范：低版本Keras中Input(85)会被识别为batch_size=85而非输入特征维度，导致模型输入形状和训练数据形状不匹配。
3. 若使用预训练自编码器做特征提取，未冻结自编码器权重时，多输入复用同一模型的场景下可能出现梯度计算冲突。

修复方案 #

场景A：仅使用自编码器做特征提取，不需要微调自编码器权重（绝大多数场景适用） #

1. 先单独从完整自编码器中提取编码器部分，冻结权重避免训练时更新：

# 请替换'encoder_output_layer_name'为你自编码器中编码层的实际名称
encoder = keras.Model(
    inputs=autoencoder.input,
    outputs=autoencoder.get_layer('encoder_output_layer_name').output
)
encoder.trainable = False

2. 修正模型构建代码，显式指定输入形状：

input1 = keras.layers.Input(shape=(85,))
input2 = keras.layers.Input(shape=(85,))
encoder1 = encoder(input1)
encoder2 = encoder(input2)
connector = keras.layers.Concatenate(axis=1)([encoder1, encoder2])
layer1 = keras.layers.Dense(24, activation='relu')(connector)
model = keras.Model(inputs=[input1, input2], outputs=layer1)

3. 重新编译模型后再调用fit方法训练即可。

场景B：需要同步微调自编码器权重和下游层权重 #

仅需去掉上述步骤中encoder.trainable = False的配置即可，若仍报错可直接在当前计算图中重新实例化编码器结构，加载预训练权重后再复用，避免跨计算图调用问题。

内容的提问来源于stack exchange，提问作者Edenz