如何使用Python在TensorFlow中实现多输入多输出的模型结构？-Python教程-PHP中文网

多输入多输出模型必须使用tf.keras.model而非sequential，因后者仅支持单输入单输出；需显式定义命名的input和output层，编译与训练时loss、metrics、数据均须按名称用字典匹配。

如何使用python在tensorflow中实现多输入多输出的模型结构？

多输入多输出模型必须用 `tf.keras.Model`，不能用 `Sequential`

因为 Sequential 只支持单输入单输出的线性堆叠，遇到多个输入张量（比如图像 + 文本特征）或多个输出头（比如分类 + 回归），它会直接报错：ValueError: Layer model expects 1 input(s), but it received 2 input tensors。必须显式定义输入层、共享/分支结构、输出层，再用 tf.keras.Model 封装。

常见场景包括：图文联合预测（图像输入 + 标题文本输入 → 标签 + 置信度）、时序信号双任务（原始波形 + 统计特征 → 分类结果 + 异常分数）。

实操建议：

python-script-generator

快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。

下载

每个输入单独定义一个 tf.keras.Input，命名（如 name="image_input"）便于后续调试和保存时识别
输出层也需命名（name="class_output"），否则训练时 loss 和 metrics 无法按名映射
不要在模型定义里调用 .fit() —— 那是编译后的事，先确保 Model(inputs=[...], outputs=[...]) 能成功实例化

编译时 loss 和 metrics 必须按输出名传字典，不是列表

如果输出层叫 "class_output" 和 "reg_output"，但编译时写成 model.compile(loss=["sparse_categorical_crossentropy", "mse"])，TensorFlow 会报 ValueError: Expected loss to be a dict。它需要明确知道哪个 loss 对应哪个输出。

实操建议：

loss、metrics、loss_weights 都得用字典，key 是输出层的 name 属性值
例如：loss={"class_output": "sparse_categorical_crossentropy", "reg_output": "mse"}
若某输出不需要 loss（比如只做中间特征提取），可在字典中省略该 key，但对应输出在训练数据中仍需提供占位值（如 None 或全零张量）
注意 loss_weights 字典的 key 必须与输出名完全一致，大小写敏感

训练数据的 `x` 和 `y` 必须是列表或字典，顺序/键名要严格对齐

输入有两个 Input 层，但传入 .fit(x=...) 时给的是单个 NumPy 数组，就会触发 TypeError: Expected x to be a list or dict。同理，多个输出也必须结构匹配。

实操建议：

x 可以是列表：[img_array, text_array]（顺序必须和 inputs=[input_a, input_b] 一致）
或字典：{"image_input": img_array, "text_input": text_array}（key 必须等于 Input 的 name）
y 同理：列表 [label_array, score_array] 或字典 {"class_output": ..., "reg_output": ...}
用字典方式更安全，尤其当模型后期增删输入/输出时不易错位

保存和加载模型要注意子模型结构是否完整

用 model.save("path") 默认保存为 SavedModel 格式，通常没问题；但如果手动拆解了子模型（比如把图像分支抽成独立 tf.keras.Model），再拼进主模型，加载时可能报 KeyError: 'image_branch' —— 因为子模型没被注册进主图的 trackable objects。

实操建议：

避免在主模型外定义可训练子模型后仅用函数调用方式复用（如 feat = image_branch(img)），而要用 tf.keras.Model 实例并作为层加入（self.image_branch = ImageBranchModel()）
保存前执行 model(tf.nest.map_structure(lambda x: tf.zeros_like(x), sample_input)) 一次，确保所有子结构已 build
加载后务必用 model.predict(sample_input) 测试，别只看 load_model 不报错就认为成功

多输入多输出真正难的不是搭结构，而是数据管道和 loss 映射那几处细节——名字不一致、字典缺 key、输入顺序颠倒，都会让错误信息绕着弯指向无关位置。