Keras构建可变长度双输入模型遇TypeError错误求助

嘿，我来帮你搞定这个Keras模型的错误问题～你遇到的TypeError: unsupported operand type(s) for +: 'NoneType' and 'int'，核心原因是直接把两个可变长度的一维输入（shape=(None,)）拼接后就接了Dense层。

Dense层需要明确知道输入的特征维度大小，但你的输入是形状为(batch_size, None)的可变长度张量，最后一维是不确定的，Keras没法计算Dense层的权重参数，这就导致了这个类型错误。

修正方案（分两种场景） #

根据你的输入是类别型序列（比如token索引）还是数值型序列，我给你两种对应的修正代码：

场景1：输入是类别型整数序列（比如文本token索引）

这类输入需要先做嵌入编码，把可变长度序列转成固定维度向量，再进行后续操作：

from tensorflow.keras.layers import Input, concatenate, Dense, Embedding, GlobalAveragePooling1D
from tensorflow.keras.models import Model
from tensorflow.keras.optimizers import Adam

# 根据你的实际数据调整：输入中最大的整数索引值
vocab_size = 1000
# 嵌入向量的维度，可根据需求调整
embedding_dim = 32

# 处理第一个可变长度输入
env_input1 = Input(shape=(None,), dtype='int32')
# 嵌入层：把整数索引转为固定维度的密集向量
x1 = Embedding(vocab_size, embedding_dim)(env_input1)
# 全局平均池化：将可变长度的嵌入序列压缩成固定维度向量
x1 = GlobalAveragePooling1D()(x1)

# 处理第二个可变长度输入
env_input2 = Input(shape=(None,), dtype='int32')
x2 = Embedding(vocab_size, embedding_dim)(env_input2)
x2 = GlobalAveragePooling1D()(x2)

# 现在两个都是固定维度的向量，可以正常拼接
env = concatenate([x1, x2])
env = Dense(50, activation='relu')(env)
env = Dense(100, activation='relu')(env)
env = Dense(50, activation='relu')(env)
env_output = Dense(1)(env)

env_model = Model(inputs=[env_input1, env_input2], outputs=[env_output])
adam_opt = Adam(lr=0.001, beta_1=0.9, beta_2=0.999, epsilon=None, decay=0.0, amsgrad=False)
env_model.compile(loss='mse', optimizer=adam_opt, metrics=['accuracy'])

场景2：输入是数值型可变长度序列

如果你的输入是数值类的可变长度序列，不需要嵌入层，直接通过池化把序列转成固定维度即可：

import tensorflow as tf
from tensorflow.keras.layers import Input, concatenate, Dense, GlobalAveragePooling1D
from tensorflow.keras.models import Model
from tensorflow.keras.optimizers import Adam

# 处理第一个数值型可变长度输入
env_input1 = Input(shape=(None,), dtype='int32')
# 增加一个特征维度，让池化层可以处理（池化层需要3D张量：(batch_size, seq_len, features)）
x1 = tf.expand_dims(env_input1, axis=-1)
x1 = GlobalAveragePooling1D()(x1)

# 处理第二个数值型可变长度输入
env_input2 = Input(shape=(None,), dtype='int32')
x2 = tf.expand_dims(env_input2, axis=-1)
x2 = GlobalAveragePooling1D()(x2)

# 后续拼接和全连接层逻辑不变
env = concatenate([x1, x2])
env = Dense(50, activation='relu')(env)
env = Dense(100, activation='relu')(env)
env = Dense(50, activation='relu')(env)
env_output = Dense(1)(env)

env_model = Model(inputs=[env_input1, env_input2], outputs=[env_output])
adam_opt = Adam(lr=0.001, beta_1=0.9, beta_2=0.999, epsilon=None, decay=0.0, amsgrad=False)
env_model.compile(loss='mse', optimizer=adam_opt, metrics=['accuracy'])

关键改动说明 #

• Embedding层（类别型场景）：把整数索引映射为固定维度的密集向量，是处理类别型序列输入的标准操作，记得根据你的数据调整vocab_size。
• GlobalAveragePooling1D层：将可变长度的序列压缩成固定维度的向量，让后续的concatenate和Dense层能获得确定的输入维度，彻底解决None类型的计算错误。

内容的提问来源于stack exchange，提问作者Mika