如何在Keras Functional API中合并Wide&Deep模型？

嗨，我来帮你搞定这个拼接出错的问题！你现在遇到的ValueError核心原因是用错了Concatenate层的使用方式——你直接把wide和deep这两个模型对象传给了Concatenate，但这个层需要的是模型输出的张量，而不是模型本身。另外你代码里最后一行的visible变量也没定义，这也是个小问题。

先给你理清楚正确的集成思路：Wide&Deep模型的核心是同时利用线性模型的记忆能力和深度网络的泛化能力，通常我们会共享同一个输入特征，分别构建Wide和Deep分支，然后把两个分支的输出张量拼接起来，再构建最终的输出层。如果需要预训练分支，也可以先单独训练，之后再复用权重来集成。

修正后的完整代码（共享输入+直接集成） #

from tensorflow.keras.layers import Input, Dense, Concatenate
from tensorflow.keras.models import Model

# 1. 定义共享的输入层（所有分支都用这个输入）
inputs = Input(shape=(X_train.shape[1],))

# 2. 构建Wide分支（线性模型，保留记忆性）
wide_output = Dense(1, activation='linear')(inputs)
# 如果你需要预训练Wide分支，可以单独构建模型训练：
# wide_model = Model(inputs, wide_output)
# wide_model.compile(optimizer='adam', loss='mean_squared_error', metrics=['accuracy'])
# wide_model.fit(X_train, Y_train, epochs=10, verbose=1)

# 3. 构建Deep分支（深度网络，负责泛化）
x = Dense(200, kernel_initializer='uniform', activation='relu')(inputs)
x = Dense(100, activation='relu')(x)
x = Dense(50, activation='relu')(x)
deep_output = Dense(1, activation='sigmoid')(x)
# 同样，预训练Deep分支的话：
# deep_model = Model(inputs, deep_output)
# deep_model.compile(optimizer='adam', loss='mean_squared_error', metrics=['accuracy'])
# deep_model.fit(X_train, Y_train, epochs=10, verbose=1)

# 4. 关键：拼接两个分支的输出张量（注意这里的用法！）
# 方式一：用Concatenate层实例化后调用
merged = Concatenate()([wide_output, deep_output])
# 方式二：用更简洁的concatenate函数（小写）
# merged = tf.keras.layers.concatenate([wide_output, deep_output])

# 5. 构建最终的融合层和输出层
hidden1 = Dense(10, activation='relu')(merged)
final_output = Dense(1, activation='sigmoid')(hidden1)

# 6. 定义完整的Wide&Deep模型并训练
model = Model(inputs=inputs, outputs=final_output)
model.compile(optimizer='adam', loss='mean_squared_error', metrics=['accuracy'])
model.fit(X_train, Y_train, epochs=10, verbose=1)

如果已经单独训练好了Wide和Deep模型，怎么复用权重集成？ #

如果你已经像原来代码那样单独训练完了wide和deep模型，只需要获取它们的输出张量来拼接就行，代码如下：

# 假设已经训练好wide和deep模型
merged = Concatenate()([wide.output, deep.output])
hidden1 = Dense(10, activation='relu')(merged)
final_output = Dense(1, activation='sigmoid')(hidden1)

# 这里输入用wide.input（因为两个模型共享同一个输入形状）
model = Model(inputs=wide.input, outputs=final_output)
model.compile(optimizer='adam', loss='mean_squared_error', metrics=['accuracy'])
model.fit(X_train, Y_train, epochs=10, verbose=1)

再强调几个易错点 #

• 不要直接把模型对象传给Concatenate层，一定要传模型的输出张量（比如wide.output或者分支最后一层的输出）
• Concatenate()是层的类，需要先实例化（加括号），再调用传入张量；而小写的concatenate()是函数，可以直接传张量列表
• 确保所有分支的输入一致，或者根据你的需求定义不同的输入层（比如Wide用稀疏特征，Deep用稠密特征）

内容的提问来源于stack exchange，提问作者AGUY