Python 是否可以在Keras Functional API中创建一个没有输入层的模型？

我想在Keras中创建一个由两个卷积层、一个扁平层和一个致密层组成的模型。这将是一个具有共享权重的模型，因此没有任何预定义的输入层

可以使用顺序方式执行以下操作：

model = tf.keras.models.Sequential()
model.add(tf.keras.layers.Conv2D(10,3,2,'valid',activation=tf.nn.relu))
model.add(tf.keras.layers.Conv2D(20,3,2,'valid',activation=tf.nn.relu))
model.add(tf.keras.layers.Flatten())
model.add(tf.keras.layers.Dense(200,activation=tf.nn.relu))

但是，使用函数API会产生类型错误：

model2 = tf.keras.layers.Conv2D(10,3,2,'valid',activation=tf.nn.relu)
model2 = tf.keras.layers.Conv2D(20,3,2,'valid',activation=tf.nn.relu)(model2)
model2 = tf.keras.layers.Flatten()(model2)
model2 = tf.keras.layers.Dense(200,activation=tf.nn.relu)(model2)

错误：

TypeError: Inputs to a layer should be tensors. Got: <tensorflow.python.keras.layers.convolutional.Conv2D object at 0x7fb060598100>

TypeError：层的输入应该是张量。得到了：

---

这样做是不可能的，还是我遗漏了什么？

keras中的链接通过在层中传播

张量来工作。因此，在第二个示例中，在开始时，
model2
是一个
keras.layers.Layer
的实例，而不是一个
tf.Tensor
，这就是为什么会出现错误

创建一个张量，然后可用于链接层。因此，如果没有具体原因，您只需添加一个：

model2 = tf.keras.layers.Input((10,3,2))
model2 = tf.keras.layers.Conv2D(10,3,2,'valid',activation=tf.nn.relu)(model2)

keras顺序api的设计更易于使用，因此不如功能api灵活。这样做的好处是，输入的“图层”形状可以通过传递给它的数据的任何形状自动推断出来。缺点是这个更容易使用的模型被简化了，所以你不能做像使用多个输入这样的事情

从文档中：

在以下情况下，顺序模型不适用：


您的模型具有多个输入或多个输出
任何层都有多个输入或多个输出
你需要做图层共享
您需要非线性拓扑（例如，剩余连接、
多分支模型）

函数api的设计更加灵活，即多个输入，因此它不会为您进行任何类型的自动推断，因此会出现错误。在这种情况下，必须显式传递输入层。对于您的用例，它可能看起来奇怪，它不能自动推断形状，但是当您考虑更广泛的用例场景时，它是有意义的。
因此，第二种情况应该是：

model2 = tf.keras.layers.Input((10,3,2)) # specified input layer
model2 = tf.keras.layers.Conv2D(10,3,2,'valid',activation=tf.nn.relu)(model2)
model2 = tf.keras.layers.Conv2D(20,3,2,'valid',activation=tf.nn.relu)(model2)
model2 = tf.keras.layers.Flatten()(model2)
model2 = tf.keras.layers.Dense(200,activation=tf.nn.relu)(model2)

更新

如果您想创建两个单独的模型并将它们连接在一起，那么应该使用函数API，然后由于它的约束，因此必须使用输入层。所以你可以这样做：

import tensorflow as tf
from tensorflow.keras.layers import Input, Flatten, Dense, concatenate, Conv2D
from tensorflow.keras.models import Model

input1 = Input((10,3,2))
model1 = Dense(200,activation=tf.nn.relu)(input1)

input2 = Input((10,3,2))
model2 = Dense(200,activation=tf.nn.relu)(input2)

merged = concatenate([model1, model2])

merged = Conv2D(10,3,2,'valid',activation=tf.nn.relu)(merged)
merged = Flatten()(merged)
merged = Dense(200,activation=tf.nn.relu)(merged)

model = Model(inputs=[input1, input2], outputs=merged)

上面我们有两个单独的输入，然后是两个密集层-您可以根据需要构建这些单独的线，然后将它们合并在一起以通过卷积层，您需要使用
tf.keras.layers.concatenate
层，然后您可以从那里继续关节模型。将整个内容包装在模型对象中，然后允许您访问训练和推理方法，如拟合/预测等。
您不能添加输入层的具体原因是什么？在API（顺序或函数）中都不可能，没有输入层的神经网络毫无意义，你为什么要做这样的事？我想分享重量。因此，两个独立的输入层，然后是几个共享的卷积层，然后是两个独立的输出层。当然可以只使用一个共享层（），但我还没有看到如何使用更多共享层的示例。但是如果我尝试将更多的链接在一起，就会出现错误。谢谢你的回答。如何附加2个输入层？这就是为什么我想做没有输入层，有一系列没有输入的层，然后将两个单独的输入层传递给序列，制作两个单独的模型，分别输入，单独输出，但共享卷积层。参见更新的答案谢谢，但我想这仍然不是我想要实现的。我想要这样的东西（），但是有多个共享层（他们在链接问题中称之为稠密层）。我可能会问另一个问题，因为我问了X，但我真正需要的是Y。我同意，也许单独问一个问题更清楚。如果您认为我回答了您最初的问题，但我希望您能“接受”：