Keras 1.3：批量归一化场景下模型权重共享报错问题

看起来你遇到的问题是在共享包含BatchNormalization层的模型时出现了错误，这通常和层的状态管理或者模型构建方式有关，我来帮你梳理下原因和修复方案：

问题根源 #

当你把BatchNormalization（BN）层包含在model1中，再用model1处理两个输入时，虽然理论上权重是共享的，但如果构建方式不当，可能会出现BN层输入形状不匹配，或者Keras无法正确跟踪BN层的移动均值/方差状态的情况。另外你代码里重复定义了model1 = Model(input0, out)，这属于冗余代码，虽然不直接报错，但没必要保留。

推荐实现方式：直接复用层实例 #

最稳妥的方式是用函数式API直接复用层实例，确保所有层（包括BN）的权重和状态完全共享，代码也更清晰：

from tensorflow import keras
from tensorflow.keras.layers import Input, Conv2D, BatchNormalization, MaxPooling2D, Flatten, Dense, concatenate

# 封装共享的特征提取逻辑
def shared_feature_extractor(input_tensor):
    x = Conv2D(64, (3, 3), activation='relu')(input_tensor)  # 建议添加激活函数，提升BN层效果
    x = BatchNormalization()(x)
    x = MaxPooling2D((2, 2))(x)
    out = Flatten()(x)
    return out

# 定义两个输入（务必保证形状完全一致）
input_shape = (28, 28, 1)  # 替换成你的实际输入形状
input1 = Input(shape=input_shape)
input2 = Input(shape=input_shape)

# 复用共享层处理两个输入
out_a = shared_feature_extractor(input1)
out_b = shared_feature_extractor(input2)

# 拼接输出并构建最终分类层
concatenated = concatenate([out_a, out_b])
final_out = Dense(1, activation='sigmoid')(concatenated)

# 构建完整模型
final_model = keras.Model(inputs=[input1, input2], outputs=final_out)

# 编译模型（根据你的任务调整优化器和损失函数）
final_model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

为什么这个方案有效？ #

• 所有层（Conv2D、BatchNormalization等）都是同一个实例被调用两次，所以权重和BN层的移动均值/方差完全共享，不会出现状态不一致的问题。
• 直接用函数封装共享逻辑，避免了先构建子模型再调用可能带来的张量绑定冲突。

如果想保留子模型的构建思路 #

如果你更习惯先构建model1再复用，需要确保所有输入形状完全一致，并且只定义一次model1：

from tensorflow import keras
from tensorflow.keras.layers import Input, Conv2D, BatchNormalization, MaxPooling2D, Flatten, Dense, concatenate

# 定义基础输入形状
input_shape = (28, 28, 1)
input0 = Input(shape=input_shape)

# 只定义一次model1
x = Conv2D(64, (3, 3), activation='relu')(input0)
x = BatchNormalization()(x)
x = MaxPooling2D((2, 2))(x)
out = Flatten()(x)
model1 = keras.Model(input0, out)

# 定义实际输入（形状必须和input0一致）
input1 = Input(shape=input_shape)
input2 = Input(shape=input_shape)

# 使用model1处理两个输入
out_a = model1(input1)
out_b = model1(input2)

# 拼接并构建最终模型
concatenated = concatenate([out_a, out_b])
final_out = Dense(1, activation='sigmoid')(concatenated)
final_model = keras.Model(inputs=[input1, input2], outputs=final_out)

这种方式同样能实现权重共享，但一定要保证input0、input1、input2的形状完全相同，否则会触发形状不匹配的报错。

内容的提问来源于stack exchange，提问作者Mohbat Tharani