如何在Python中通过TensorFlow实现多输入多输出模型-Python教程-PHP中文网

多输入多输出模型必须用tf.keras.model而非sequential，因后者仅支持单入单出；需用functional api显式定义input、分支处理、字典格式的inputs/outputs，并在fit时传入对应key的dict数据，loss/metrics按输出名分别配置。

如何在python中通过tensorflow实现多输入多输出模型

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），它直接报错：ValueError: Model expects 1 input(s), but received 2 input tensors。只有 Functional API 支持定义分支结构，tf.keras.Model 是其封装后的可训练对象。

实操建议：

先用 Input 显式声明每个输入，例如 input_img = Input(shape=(224, 224, 3)) 和 input_tab = Input(shape=(12,))
对每个输入单独构建处理路径（如 CNN、Dense），避免共享层名冲突
用字典方式传入 Model(inputs={...}, outputs={...})，键名会成为训练时 fit() 的 x 和 y 的 key

输入数据格式必须匹配 `Model` 定义的键名和 shape

常见错误是传入 list 而非 dict：比如模型定义了 inputs={'img': ..., 'meta': ...}，但调用 model.fit([x_img, x_meta], [y_cls, y_reg])，就会触发 TypeError: Expected dict, got list。

正确做法：

python-docx

python-docx Skill功能概述python-docx Skill是一项面向实际任务的技能，主要用于本Skill提供使用python-docx生成专业Word文档的标准方法和最佳实践；生成安全服务方案文档；核心要点生成技术架构设计文档；生成任何需要专业排版的Word文档；核心库 : python-docx；使用与执行辅助库 : docx.shared , docx.enum , docx.oxml.ns；标准代码模板；1. 文档初始化；2. 字体设置（必须！它将相关步骤、工具调用和结果整理方式集

下载

训练时 x 必须是 dict，key 与 Input 的 name 或显式指定的键一致，例如 {'img': x_img, 'meta': x_meta}
y 同样用 dict，key 对应各输出层的 name，如 {'class_out': y_cls, 'reg_out': y_reg}
若某输入/输出未命名，Keras 会自动生成默认名（如 input_1），但极易出错，务必显式设 name 参数

多输出 loss 和 metrics 需按输出名分别指定

如果只传一个 loss 函数（如 loss='sparse_categorical_crossentropy'），Keras 会尝试把它套用到所有输出，导致维度不匹配或梯度异常。真实场景中，分类输出常用交叉熵，回归输出常用 MSE，必须分开配置。

实操要点：

loss 接受 dict，例如 {'class_out': 'sparse_categorical_crossentropy', 'reg_out': 'mse'}
loss_weights 可选，用于平衡不同任务梯度幅度，如 {'class_out': 1.0, 'reg_out': 0.3}
metrics 同样按输出名组织，避免全局 metrics 混淆评估目标

保存与加载需注意子模型结构不可丢

用 model.save('path') 保存 Functional 模型没问题，但若后续想单独提取某个输入分支（比如只取图像编码器做迁移），直接 model.layers[0] 很可能不是你想要的 Input 层——Functional 模型的 layers 列表包含内部占位符和运算节点，顺序不直观。

更可靠的做法：

构建时把关键子模块赋给变量，如 img_encoder = Model(inputs=input_img, outputs=features)，再在主模型中调用它
保存整个模型后，用 tf.keras.models.load_model('path') 加载，仍保持输入/输出字典接口
避免用 model.to_json() + load_weights()，Functional 模型的架构信息在 JSON 中不易还原完整连接关系

实际部署时最容易被忽略的是输入预处理逻辑是否与训练时完全一致——尤其是多输入场景下，图像缩放、文本 tokenization、数值归一化等步骤必须各自独立且版本锁定，否则 predict() 时某一路输入 shape 稍有偏差，就会卡在第一层 Input 校验上。