本文详解如何正确构建并训练一个双输入混合深度学习回归模型：以 DenseNet121 为图像主干网络，同步融合 CSV 提供的手工特征（如农学指标、纹理统计量等），并使用 tf.data.Dataset 统一管理多源输入，彻底解决“Layer expects 2 inputs but received 1”类报错。
本文详解如何正确构建并训练一个双输入混合深度学习回归模型：以 densenet121 为图像主干网络，同步融合 csv 提供的手工特征（如农学指标、纹理统计量等），并使用 `tf.data.dataset` 统一管理多源输入，彻底解决“layer expects 2 inputs but received 1”类报错。
在构建 Hybrid 深度学习回归模型时，常见误区是将图像数据流（如 ImageDataGenerator）与结构化特征（如 CSV 中的数值型手工特征）割裂处理——前者通过生成器输出张量，后者却以独立 NumPy 数组传入 model.fit()，导致 Keras 无法自动对齐多输入结构，最终抛出 ValueError: Layer "model" expects 2 input(s), but it received 1 input tensors。根本解法在于：所有输入必须统一由 tf.data.Dataset 构建为嵌套元组格式 ((image_tensor, feature_tensor), label_tensor)，使模型明确识别两个输入分支。
以下为完整、可运行的实现方案（已适配您的 Lodging_score 回归任务）：
✅ 正确构建双输入 tf.data.Dataset
import tensorflow as tf
import numpy as np
import pandas as pd
# 假设已完成：train_filenames, train_features, train_labels 等已对齐且归一化
# 注意：train_features 是 shape=(N, F) 的 float32 NumPy 数组；train_filenames 是绝对路径列表
def load_and_preprocess_image(path, label, features):
# 读取并解码图像
image = tf.io.read_file(path)
image = tf.image.decode_jpeg(image, channels=3) # 或 decode_png，根据实际格式调整
image = tf.cast(image, tf.float32)
# 调整尺寸（必须严格匹配 DenseNet121 输入要求）
image = tf.image.resize(image, [224, 224]) # ⚠️ 关键：DenseNet121 官方要求 (224,224,3)
# 应用预处理（注意：densenet.preprocess_input 期望 [0,255] 原始值，非归一化！）
image = tf.keras.applications.densenet.preprocess_input(image)
return (image, features), label
# 构建训练集（含增强）
train_ds = tf.data.Dataset.from_tensor_slices(
(train_filenames, train_features, train_labels)
)
train_ds = train_ds.map(load_and_preprocess_image, num_parallel_calls=tf.data.AUTOTUNE)
# 添加增强层（推荐使用 Keras 预处理层，自动禁用于验证/测试）
augment_layers = tf.keras.Sequential([
tf.keras.layers.RandomFlip("horizontal"),
tf.keras.layers.RandomRotation(0.1),
tf.keras.layers.RandomTranslation(0.1, 0.1),
])
train_ds = train_ds.map(
lambda x, y: ((augment_layers(x[0]), x[1]), y),
num_parallel_calls=tf.data.AUTOTUNE
)
train_ds = train_ds.cache() \
.shuffle(buffer_size=10000, reshuffle_each_iteration=True) \
.batch(32) \
.prefetch(tf.data.AUTOTUNE)
# 构建验证集（无增强、不 shuffle）
val_ds = tf.data.Dataset.from_tensor_slices(
(val_filenames, val_features, val_labels)
)
val_ds = val_ds.map(load_and_preprocess_image, num_parallel_calls=tf.data.AUTOTUNE) \
.batch(32) \
.cache() \
.prefetch(tf.data.AUTOTUNE)
# 测试集同理（仅 batch + prefetch）
test_ds = tf.data.Dataset.from_tensor_slices(
(test_filenames, test_features, test_labels)
)
test_ds = test_ds.map(load_and_preprocess_image, num_parallel_calls=tf.data.AUTOTUNE) \
.batch(32) \
.prefetch(tf.data.AUTOTUNE)✅ 构建双输入混合模型（关键修正点）
from tensorflow.keras.layers import Input, Dense, Dropout, Concatenate, GlobalAveragePooling2D
from tensorflow.keras.models import Model
from tensorflow.keras.applications import DenseNet121
# ✅ 输入定义：两个独立 Input 层
image_input = Input(shape=(224, 224, 3), name="image_input")
features_input = Input(shape=(train_features.shape[1],), name="features_input")
# ✅ 加载主干网络（固定输入尺寸！）
base_model = DenseNet121(
include_top=False,
weights="imagenet",
input_shape=(224, 224, 3) # 必须与 Dataset 中 resize 尺寸一致
)
base_model.trainable = False # 初期冻结
# ✅ 图像特征提取（无需额外 rescale，preprocess_input 已处理）
x_img = base_model(image_input, training=False)
x_img = GlobalAveragePooling2D()(x_img)
# ✅ 融合手工特征
x = Concatenate()([x_img, features_input])
x = Dropout(0.5)(x)
x = Dense(128, activation="relu")(x)
x = Dropout(0.5)(x)
output = Dense(1, activation="linear", name="regression_output")(x) # 回归输出无激活或 linear
model = Model(inputs=[image_input, features_input], outputs=output)
model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=1e-3),
loss="mse",
metrics=["mae"])✅ 训练与评估（简洁调用）
early_stopping = tf.keras.callbacks.EarlyStopping(
monitor="val_loss", patience=7, restore_best_weights=True
)
history = model.fit(
train_ds,
validation_data=val_ds,
epochs=50,
callbacks=[early_stopping],
verbose=1
)
# 评估
test_loss, test_mae = model.evaluate(test_ds, verbose=0)
print(f"Test MSE: {test_loss:.4f}, MAE: {test_mae:.4f}")
# 预测示例
predictions = model.predict(test_ds)⚠️ 关键注意事项与最佳实践
- 尺寸一致性：DenseNet121 官方要求输入 (224, 224, 3)。若原始图像分辨率较低（如您代码中的 (75, 200)），resize 到 224×224 可能引入形变；建议优先保证图像质量，或改用更小 backbone（如 MobileNetV2）。
- 预处理规范：densenet.preprocess_input 内部执行 x /= 127.5; x -= 1.，因此输入必须为 [0, 255] 整数或浮点图像，切勿提前 /255.。
- 增强层位置：Keras 预处理层（如 RandomFlip）应置于 preprocess_input 之后、主干网络之前；它们在 validation 和 test 模式下自动关闭，无需手动控制。
-
Dataset 性能优化：
- cache() 放在 shuffle 后、batch 前，避免重复 I/O；
- prefetch(tf.data.AUTOTUNE) 必须在 batch() 之后，预取完整批次；
- num_parallel_calls=tf.data.AUTOTUNE 自动优化并行度。
- 特征对齐：确保 train_filenames 与 train_features 的索引顺序严格一致（推荐使用 pd.DataFrame.merge 或 loc[filenames] 显式对齐，而非依赖 .tolist() 顺序）。
该方案不仅解决了核心报错，更建立了可扩展、高性能、符合 TensorFlow 2.x 最佳实践的混合建模范式，适用于农业表型分析、工业质检等需融合视觉与结构化特征的回归场景。
