Python中如何使用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functional api（即tf.keras.model），因sequential仅支持单输入单输出线性堆叠；需分别声明input、显式调用层、用字典组织输入输出，并在compile中按名配置损失与指标。

python中如何使用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）或多个预测目标（比如同时回归价格 + 分类类别），它会直接报错 ValueError: Input tensors must be of the same type 或更模糊的图构建失败。只有 Functional API 能显式定义分支结构和合并逻辑。

实操要点：

每个输入需独立声明 tf.keras.Input，带明确的 shape 和可选 name
所有中间层（如 Dense、Conv2D）必须显式调用，不能靠顺序隐含
输出端用字典组织：键名将作为训练时 y 的 key，也影响 model.compile 中的损失函数配置
模型实例化必须传入 inputs=[...] 和 outputs={...} 两个参数，缺一不可

输入数据格式必须是字典或列表，不能直接拼 NumPy 数组

喂数据时如果把多个输入强行 np.concatenate 或堆成高维数组，fit() 会提示 ValueError: Failed to convert a NumPy array to a Tensor —— 因为模型在构建时已按命名输入注册了张量结构，运行时必须严格匹配。

正确做法：

训练时 x 传字典：{'img_input': x_img, 'text_input': x_text}，key 必须与 Input(name=...) 一致
或传列表：[x_img, x_text]，但要求输入声明顺序与列表索引严格对应（不推荐，易错）
输出 y 同理：用字典 {'price_pred': y_price, 'class_pred': y_class}，否则损失函数找不到对应 target
验证集 validation_data 格式必须和训练集完全一致

`compile()` 里损失函数要按输出名对齐，权重可选但别漏掉

如果输出字典是 {'reg_out': ..., 'cls_out': ...}，而 compile(loss='mse')，TensorFlow 会尝试把同一个损失套到两个输出上，大概率报 TypeError: Expected float32, got None（尤其当分类输出用了 softmax 而回归用了 linear）。

Li Python Sec Check

Python 安全规范检查工具：基于 CloudBase 规范、腾讯安全指南，LLM 智能分析（默认禁用，优先本地执行）

下载

必须显式指定：

损失函数：用字典 {'reg_out': 'mse', 'cls_out': 'sparse_categorical_crossentropy'}
损失权重（可选）：loss_weights={'reg_out': 1.0, 'cls_out': 0.5}，用于调节多任务梯度幅度
监控指标也建议用字典形式，比如 metrics={'reg_out': 'mae', 'cls_out': 'accuracy'}

注意：如果某个输出不需要参与反向传播（比如只做推理用的辅助 head），可在该输出层加 trainable=False，但更稳妥的做法是在 compile 中将其损失设为 None。

保存和加载模型要用 `save_weights_only=False`，否则结构丢失

用 model.save('path') 是最安全的；但如果手动调用 model.save_weights() 再试图用 load_weights() 恢复，会报 ValueError: You are trying to load a weight file containing 12 layers into a model with 8 layers —— 因为多输入多输出模型的计算图包含多个入口/出口节点，仅存权重无法重建连接关系。

务必确认：