Keras中集成ResNet50与DenseNet121遇图断开错误求助

你猜的完全正确！这个错误的核心原因就是两个模型各自创建了独立的输入层，哪怕它们的输入形状完全一致，Keras的计算图也无法自动把它们关联到同一个输入源上，最终导致“图断开”的问题。

问题根源 #

当你直接加载ResNet50和DenseNet121且未指定input_tensor参数时，每个模型都会生成自己的输入层（比如报错里的input_8就是其中一个模型的输入层）。Keras的计算图要求所有层都必须连接到同一个输入张量，否则模型不知道该把输入数据喂给哪个输入层，自然就会抛出“无法获取张量值”的错误。

具体解决方案 #

我们只需要创建一个共享的输入层，让两个模型都基于这个输入层构建，就能解决这个问题。步骤如下：

1. 定义共享输入张量
   先创建一个符合模型输入要求的共享输入层：

   from tensorflow.keras.layers import Input
   # 匹配ResNet50和DenseNet121的默认输入形状
   shared_input = Input(shape=(224, 224, 3))
   

2. 加载模型时指定共享输入
   加载两个预训练模型时，通过input_tensor参数指定刚才创建的共享输入，同时设置include_top=False去掉顶层分类层：

   from tensorflow.keras.applications import ResNet50, DenseNet121
   
   # 让两个模型共享同一个输入张量
   resnet_base = ResNet50(include_top=False, input_tensor=shared_input, weights='imagenet')
   densenet_base = DenseNet121(include_top=False, input_tensor=shared_input, weights='imagenet')
   

3. 融合特征并构建最终模型
   提取两个模型的特征输出，进行融合（比如拼接、相加等），再添加自定义的分类层：

   from tensorflow.keras.layers import Concatenate, GlobalAveragePooling2D, Dense
   from tensorflow.keras.models import Model
   
   # 获取两个模型的特征输出
   resnet_features = resnet_base.output
   densenet_features = densenet_base.output
   
   # 融合特征（这里用拼接操作，你也可以根据需求用Add()、Multiply()等）
   merged_features = Concatenate(axis=-1)([resnet_features, densenet_features])
   
   # 添加全局平均池化和分类层
   x = GlobalAveragePooling2D()(merged_features)
   x = Dense(256, activation='relu')(x)
   # 替换num_classes为你的任务类别数
   final_output = Dense(num_classes, activation='softmax')(x)
   
   # 构建完整的融合模型
   combined_model = Model(inputs=shared_input, outputs=final_output)
   

额外注意事项 #

• 如果不需要预训练权重，可以把weights参数设为None，但共享输入张量的设置逻辑完全相同。
• 如果后续需要冻结预训练模型的权重（只训练自定义层），可以通过resnet_base.trainable = False和densenet_base.trainable = False来实现。

内容的提问来源于stack exchange，提问作者teddy