Keras多输入神经网络合并输入层时报layers无output属性如何解决

layers do not have an attribute output 报错的本质是你混淆了Keras的层实例和输出张量两个概念：.output是tf.keras.Model实例才有的属性，普通的层运算返回的张量本身就代表输出结果，不需要额外调用.output属性。

根据你代码的写法不同，分两种常见场景调整即可：

场景1：x1、x2为前序层的输出张量 #

这是绝大多数多输入网络的常规写法，你直接把两个输出张量传入拼接函数即可，不需要取.output：

# 第一步：定义两个输入头
input1 = tf.keras.Input(shape=(32,)) # 替换为你的输入1的实际形状
input2 = tf.keras.Input(shape=(128,)) # 替换为你的输入2的实际形状

# 输入1对应的分支网络
x1 = tf.keras.layers.Dense(16, activation='relu')(input1)
x1 = tf.keras.layers.Dense(8, activation='relu')(x1) # x1是该分支的输出张量

# 输入2对应的分支网络
x2 = tf.keras.layers.Dense(32, activation='relu')(input2)
x2 = tf.keras.layers.Dense(8, activation='relu')(x2) # x2是该分支的输出张量

# 直接拼接两个输出张量
combined = tf.keras.layers.concatenate([x1, x2])

# 后续接你的分类/回归输出层
output = tf.keras.layers.Dense(1, activation='sigmoid')(combined)

# 定义完整的多输入模型
model = tf.keras.Model(inputs=[input1, input2], outputs=output)

场景2：x1、x2是预先定义的层实例 #

如果你是提前定义了层实例，需要先给层传入输入张量得到输出结果后再拼接：

# 预先定义层实例
x1_layer = tf.keras.layers.Dense(8, activation='relu')
x2_layer = tf.keras.layers.Dense(8, activation='relu')

# 给层传入对应输入，得到输出张量
input1 = tf.keras.Input(shape=(32,))
x1 = x1_layer(input1)
input2 = tf.keras.Input(shape=(128,))
x2 = x2_layer(input2)

# 拼接输出张量
combined = tf.keras.layers.concatenate([x1, x2])

• 拼接前要确保两个张量除了拼接维度之外，其他维度完全匹配，比如两个张量形状都是(None, 8)，默认在最后一维拼接后得到的形状为(None, 16)
• 如果需要调整拼接的维度，可以传入axis参数指定，示例：tf.keras.layers.concatenate([x1, x2], axis=1)

内容的提问来源于stack exchange，提问作者James Pack