如何在TensorFlow后端的Keras CNN中指定RGB输入通道？

我来帮你解决这个问题——在TensorFlow后端的Keras卷积神经网络里，要指定只输入红色和绿色通道，有两种实用的实现方式：

方法一：@Minh-Tuan Nguyen 提供的简洁方案 #

这种方法借助Lambda层直接对输入张量进行通道筛选，代码简洁高效，是首选方案：

from tensorflow.keras.layers import Lambda

# 假设你的输入是RGB格式图像，形状为(img_height, img_width, 3)
model.add(Lambda(lambda x: x[:, :, :, [0, 1]], input_shape=(img_height, img_width, 3)))
# 紧接着连接你的Conv2D层
model.add(Conv2D(32, (3, 3)))

这里的[0,1]对应RGB色彩空间里的红色（索引0）和绿色（索引1）通道，一步就能完成通道筛选，不需要额外的维度操作，非常省心。

方法二：手动切片拼接方案 #

如果需要更精细的控制（比如中间要对单个通道做额外处理），可以通过手动切片、扩展维度再拼接的方式实现，具体代码如下：

import tensorflow as tf
from tensorflow.keras.layers import Input

# 自定义通道筛选函数
def filter_layer(x):
    # 提取单个通道的张量
    red_x = x[:, :, :, 0]   # 取出红色通道
    green_x = x[:, :, :, 1] # 取出绿色通道
    # 给单通道张量添加最后一个维度，将形状从(h,w)转换为(h,w,1)
    red_x = tf.expand_dims(red_x, axis=3)
    green_x = tf.expand_dims(green_x, axis=3)
    # 拼接指定的通道，最终输出形状为(h,w,2)
    output = tf.concat([red_x, green_x], axis=3)
    return output

# 定义模型输入
input_tensor = Input(shape=(img_height, img_width, 3))
# 应用自定义的通道筛选层
filtered_input = tf.keras.layers.Lambda(filter_layer)(input_tensor)
# 后续连接你的Conv2D层，通过input_tensor指定筛选后的输入
model.add(Conv2D(32, (3, 3), input_tensor=filtered_input))

要是之后需要更换通道组合（比如红+蓝），只需要修改concat里的参数即可，灵活性很强。

另外要注意，配合ImageDataGenerator和flow_from_directory使用时，要确保生成的输入图像是RGB格式（通道数为3），这样上述的通道筛选逻辑才能正常运行。

内容的提问来源于stack exchange，提问作者Thanh Nguyen