在Keras(TensorFlow)中拼接多分支层与CNN结合时报错如何解决？

第一种实现报错原因 #

• 你调用的keras.layers.concatenate是Keras函数式API的函数调用接口，执行后返回的是Tensor张量对象，不是Keras Layer层类的实例。而Sequential.add()方法只允许接收Layer子类的实例作为参数，因此传入张量会触发类型错误。
• 另外你单独定义了三个带独立输入层的Sequential子模块，即使没有类型错误，三个独立的输入也无法自动承接上游cnn1的输出，逻辑上本身就不成立。

第二种实现报错原因 #

• 大写开头的Concatenate是Keras的层类，它的构造函数仅接收配置参数（比如拼接轴axis），不接收输入张量/模型作为入参。你需要先实例化Concatenate层，再调用实例并传入输入张量列表才能完成拼接操作。
• 你直接传入了三个Sequential模型对象而非模型的输出张量，层实例无法识别模型对象作为有效输入，因此触发输入数量不足的报错。

你要实现的是典型的Inception模块结构，更适合用Keras函数式API实现，两种可行方案如下：

方案1：将多分支封装为独立Model，接入Sequential #

from tensorflow import keras
from tensorflow.keras import layers
from tensorflow.keras.layers import Concatenate

# 定义Inception模块构造函数
def build_inception_module(input_shape):
    inputs = layers.Input(shape=input_shape)
    # 左分支
    left = layers.Conv2D(32, (1, 1), activation='relu', padding='same')(inputs)
    # 中分支
    middle = layers.Conv2D(32, (1, 1), activation='relu', padding='same')(inputs)
    middle = layers.Conv2D(64, (3, 3), activation='relu', padding='same')(middle)
    # 右分支
    right = layers.MaxPooling2D((3, 3), padding='same', strides=(1, 1))(inputs)
    right = layers.Conv2D(32, (1, 1), activation='relu', padding='same')(right)
    # 拼接
    concat_output = Concatenate(axis=-1)([left, middle, right])
    return keras.Model(inputs=inputs, outputs=concat_output)

# 原有基础CNN
cnn1 = keras.Sequential([
    layers.Input((32, 32, 3)),
    layers.Conv2D(32, (5, 5), activation='relu')
])
# 接入多分支模块
cnn1.add(build_inception_module(input_shape=(28,28,32)))

方案2：全函数式API实现整个模型（更灵活） #

inputs = layers.Input((32, 32, 3))
# 基础卷积层
x = layers.Conv2D(32, (5, 5), activation='relu')(inputs)
# 多分支计算
left = layers.Conv2D(32, (1, 1), activation='relu', padding='same')(x)
middle = layers.Conv2D(32, (1, 1), activation='relu', padding='same')(x)
middle = layers.Conv2D(64, (3, 3), activation='relu', padding='same')(middle)
right = layers.MaxPooling2D((3, 3), padding='same', strides=(1, 1))(x)
right = layers.Conv2D(32, (1, 1), activation='relu', padding='same')(right)
# 拼接输出
x = Concatenate(axis=-1)([left, middle, right])
# 可继续添加后续层...
final_model = keras.Model(inputs=inputs, outputs=x)

内容的提问来源于stack exchange，提问作者Yige Song