多输入Keras汽车价格预测模型构建问题求助

嘿，我来帮你理清楚问题所在～

你最初代码的核心问题 #

• Sequential模型不适合多输入分支场景：Sequential是为单输入、单输出的线性层堆叠设计的，你把四个不同输入维度的Dense层直接放在Sequential里，模型根本无法正确识别这是四个独立的输入，反而会把它们当成连续的层，导致输入形状完全不匹配，输出自然不符合预期。
• 输入数据传递错误：Sequential模型不支持字典形式的多输入，它只能接收单一张量，所以你用x = {'date': ..., 'km': ...}这种方式喂数据，模型根本无法正确解析。

你第二个版本的问题（接近但仍不对） #

你在定义分支的时候犯了一个关键错误：每次都用新的输入覆盖了同一个变量dense_1，比如：

dense_1 = Dense(256, activation='relu')(input_1)
dense_1 = Dense(256, activation='relu')(input_2)  # 这里直接覆盖了input_1的处理结果
dense_1 = Dense(256, activation='relu')(input_3)  # 又覆盖了input_2的结果
dense_1 = Dense(256, activation='relu')(input_4)  # 最后只剩input_4的处理结果

这就导致前三个输入（date、km、consume）的处理结果完全被丢弃，模型只用到了type输入，这显然不是你想要的多输入融合效果。

正确的多输入模型实现（匹配你想要的结构） #

按照你提到的图示逻辑，应该为每个输入创建独立的分支，处理后再合并所有分支的输出，然后走共同的全连接层。代码如下：

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

# 1. 定义每个输入层
input_date = Input(shape=(1,), name='date')
input_km = Input(shape=(1,), name='km')
input_consume = Input(shape=(10,), name='consume')
input_type = Input(shape=(440,), name='type')

# 2. 为每个输入创建独立的分支处理（可根据需求调整神经元数，车型维度高可以用更多神经元）
branch_date = Dense(128, activation='relu')(input_date)
branch_km = Dense(128, activation='relu')(input_km)
branch_consume = Dense(128, activation='relu')(input_consume)
branch_type = Dense(256, activation='relu')(input_type)

# 3. 合并所有分支的输出
merged = Concatenate()([branch_date, branch_km, branch_consume, branch_type])

# 4. 共同的全连接层和Dropout
x = Dropout(0.5)(merged)
x = Dense(256, activation='relu')(x)
x = Dropout(0.5)(x)

# 5. 输出层（预测价格用线性激活）
output_price = Dense(1, activation='linear')(x)

# 6. 构建模型
model = Model(inputs=[input_date, input_km, input_consume, input_type], outputs=output_price)

# 编译模型
model.compile(loss='mse', optimizer='adam')

训练时的数据传递 #

训练的时候，你可以用两种方式传递输入数据：

列表形式（简洁直观） #

model.fit(
    x=[samples_train['input'][:,0], samples_train['input'][:,1], samples_train['input'][:,2], samples_train['input'][:,3]],
    y=samples_train['output'],
    epochs=1000,
    batch_size=16,
    verbose=1,
    validation_data=(
        [samples_valid['input'][:,0], samples_valid['input'][:,1], samples_valid['input'][:,2], samples_valid['input'][:,3]],
        samples_valid['output']
    ),
    callbacks=callbacks
)

字典形式（对应输入层名称，可读性更强） #

model.fit(
    x={
        'date': samples_train['input'][:,0],
        'km': samples_train['input'][:,1],
        'consume': samples_train['input'][:,2],
        'type': samples_train['input'][:,3]
    },
    y=samples_train['output'],
    epochs=1000,
    batch_size=16,
    verbose=1,
    validation_data=(
        {
            'date': samples_valid['input'][:,0],
            'km': samples_valid['input'][:,1],
            'consume': samples_valid['input'][:,2],
            'type': samples_valid['input'][:,3]
        },
        samples_valid['output']
    ),
    callbacks=callbacks
)

这样就能实现你想要的多输入分支+融合的模型结构，每个输入都会被独立处理后再合并，完全符合你提到的图示逻辑。

内容的提问来源于stack exchange，提问作者ajlaj25