如何用Keras（TensorFlow后端）构建两阶段组合神经网络模型？

开发者阿泽

2026-5-21

这种串联式的模型结构用Keras的函数式API来实现简直完美，它能灵活处理多输入、多输出以及模型嵌套的场景，完全适配你要的x,y → M1 → z再结合a1~an输入M2的流程。我帮你梳理清楚实现步骤，再给你写个可直接复用的代码示例：

核心实现思路

第一步：单独定义M1模型的输入（x和y）与网络结构，得到中间输出z；
第二步：定义M2的输入，包含M1的输出z，以及剩余的特征a1~an；
第三步：将两部分拼接成完整的端到端模型，或者也可以先单独训练M1再复用其权重训练M2，两种方式都支持。

完整代码示例

首先导入必要的库：

import tensorflow as tf
from tensorflow.keras import layers, Model

接下来构建模型：

# ---------------------- 定义M1模型部分 ----------------------
# 根据你的实际特征维度修改shape参数，比如x是一维特征就写(1,)，如果是图像就写(28,28,1)
input_x = layers.Input(shape=(1,), name="feature_x")
input_y = layers.Input(shape=(1,), name="feature_y")

# 把x和y拼接后输入M1的网络层
m1_concat = layers.concatenate([input_x, input_y])
# 这里可以根据任务需求设计M1的深度结构，比如增加更多Dense层或者CNN/RNN层
z = layers.Dense(32, activation="relu")(m1_concat)
z = layers.Dense(16, activation="relu")(z)
z = layers.Dense(8, activation="relu", name="intermediate_z")(z)  # M1的输出z

# ---------------------- 定义M2模型部分 ----------------------
# 定义a1~an的输入层，假设你的剩余特征是n维向量，这里用5做示例，实际替换成你的n值
input_a = layers.Input(shape=(5,), name="features_a")

# 把M1的输出z和a特征拼接后输入M2
m2_concat = layers.concatenate([z, input_a])
# 同样，根据最终任务（分类/回归等）设计M2的结构
final_output = layers.Dense(64, activation="relu")(m2_concat)
final_output = layers.Dense(32, activation="relu")(final_output)
# 假设最终是二分类任务，用sigmoid激活；如果是回归就去掉激活或者用linear
final_output = layers.Dense(1, activation="sigmoid", name="final_prediction")(final_output)

# ---------------------- 构建完整端到端模型 ----------------------
full_model = Model(
    inputs=[input_x, input_y, input_a],
    outputs=final_output
)

# 编译模型，根据任务选择损失函数和优化器
full_model.compile(
    optimizer="adam",
    loss="binary_crossentropy",
    metrics=["accuracy"]
)

# 查看模型结构，确认各层连接是否正确
full_model.summary()

额外说明

单独训练M1的方式：如果你想先训练M1再训练M2，可以单独把M1提取出来：
```
m1_model = Model(inputs=[input_x, input_y], outputs=z)
# 先训练m1_model，比如用x和y对应某个标签训练
# m1_model.fit([x_train, y_train], z_true_train, epochs=10)
```
之后构建M2时，直接复用M1的输出：z = m1_model([input_x, input_y])即可。

训练数据的输入格式：训练完整模型时，输入要对应模型的输入列表，比如：

# 假设你的训练数据是x_train, y_train, a_train，标签是y_true_train
full_model.fit(
    [x_train, y_train, a_train],
    y_true_train,
    epochs=15,
    batch_size=32,
    validation_split=0.2
)

灵活调整网络结构：不管你的x、y是数值特征还是图像/序列特征，只需要修改Input层的shape参数，再对应调整M1的网络层（比如用CNN处理图像，RNN处理序列）就行。

内容的提问来源于stack exchange，提问作者M_T_JABER