Keras 2.0.2迁移至2.1.2后多滤波器卷积网络代码报错求助

这个问题我之前升级Keras版本时也碰到过，本质是新版本对共享层的输入引用做了更严格的校验，下面给你详细解释原因和两种解决方案：

错误原因分析 #

你把同一个embedding_layer实例重复添加到了3个不同的Sequential子模型中，这会让Keras为这个共享层生成3个入站节点（每个子模型对应一个节点）。在旧版Keras（2.0.2）中，可能默认取第一个节点的输入，但2.1.2版本明确要求你指定具体要引用哪个节点的输入，所以直接访问embedding_layer.input就会抛出"输入定义不明确"的错误。

解决方案 #

方案一：快速修复（直接修改报错行） #

既然所有子模型共享同一个输入，你可以通过get_input_at(node_index)方法明确指定取第一个节点的输入，修改最后一行代码即可：

parallel_layers = Model(inputs=embedding_layer.get_input_at(0), outputs=x)

这里node_index=0对应第一个子模型使用该层时创建的节点，因为三个子模型的输入源是同一个，所以这个输入就是你需要的全局输入。

方案二：重构代码（更规范的函数式API写法） #

推荐用Keras函数式API重构代码，避免重复将共享层添加到多个Sequential模型中，这种写法更清晰，也从根源上避免多节点问题：

flts = 100
kernel_sizes = [2, 3, 4]

# 1. 先定义全局输入张量
input_tensor = Input(shape=(100,))

# 2. 定义共享的嵌入层和Dropout层
embedding_output = Embedding(input_dim=100, output_dim=300)(input_tensor)
dropout_output = Dropout(0.2)(embedding_output)

# 3. 遍历核尺寸，构建各个分支的输出
submodel_outputs = []
for kw in kernel_sizes:
    conv = Conv1D(filters=flts, kernel_size=kw, padding='same', activation='relu')(dropout_output)
    pool = MaxPooling1D(pool_size=kw)(conv)
    submodel_outputs.append(pool)

# 4. 拼接分支输出并创建最终模型
x = Concatenate(axis=1)(submodel_outputs)
parallel_layers = Model(inputs=input_tensor, outputs=x)

这种写法直接用函数式API串联各个层，共享层的输出被所有分支复用，不需要创建多个Sequential实例，代码结构更直观，后续维护也更方便。

内容的提问来源于stack exchange，提问作者Ziqi