TensorFlow实现并行层拼接神经网络触发TypeError如何解决

• Concatenate层调用逻辑错误：Keras中Concatenate是层类，需要先完成实例化，再将待拼接的张量列表作为参数传入实例化后的层对象。你的代码直接把张量列表传入Concatenate的构造函数，最终得到的是层对象而非计算张量，后续Flatten层收到层对象而非张量，就触发了类型报错。
• 模型输入定义错误：你的网络仅有一个全局输入input_，四个并行分支都是基于这个输入衍生的计算节点，你在定义Model时错误将四个分支的第一层卷积输出设为模型输入，也会导致后续计算逻辑异常。

from tensorflow.keras.layers import Input, Conv2D, BatchNormalization, AveragePooling2D, MaxPooling2D, Concatenate, Flatten, Dense
from tensorflow.keras.activations import relu, softmax
from tensorflow.keras.models import Model

# 定义模型输入
input_ = Input(shape=(224, 224, 3))

# 第一个并行分支
in_1 = Conv2D(filters=16, kernel_size=(3, 3), activation=relu)(input_)
conv_1 = BatchNormalization()(in_1)
conv_1 = AveragePooling2D(pool_size=(2, 2), strides=(3, 3))(conv_1)

# 第二个并行分支
in_2 = Conv2D(filters=16, kernel_size=(5, 5), activation=relu)(input_)
conv_2 = BatchNormalization()(in_2)
conv_2 = AveragePooling2D(pool_size=(2, 2), strides=(3, 3))(conv_2)

# 第三个并行分支
in_3 = Conv2D(filters=16, kernel_size=(5, 5), activation=relu)(input_)
conv_3 = BatchNormalization()(in_3)
conv_3 = MaxPooling2D(pool_size=(2, 2), strides=(3, 3))(conv_3)

# 第四个并行分支
in_4 = Conv2D(filters=16, kernel_size=(9, 9), activation=relu)(input_)
conv_4 = BatchNormalization()(in_4)
conv_4 = MaxPooling2D(pool_size=(2, 2), strides=(3, 3))(conv_4)

# 修正拼接逻辑：先实例化Concatenate层，再传入待拼接张量列表
concat = Concatenate()([conv_1, conv_2, conv_3, conv_4])
flat = Flatten()(concat)
out = Dense(units=4, activation=softmax)(flat)

# 修正模型输入为全局唯一的输入张量
model = Model(inputs=input_, outputs=out)
model.summary()

内容的提问来源于stack exchange，提问作者Milad Sadeghi.DM