正确做法是用tf.keras.Model封装子模型后通过函数式调用组合：每个子模型必须以tf.keras.Input开头、有明确output张量，用backbone(x_in)方式调用而非拼layers；共享权重需复用同一子模型实例；动态分支用tf.cond；保存时需避免layer name冲突。
用 tf.keras.Model 封装子模型，再组合成层级结构
TensorFlow 里没有“层级结构模型”这个内置类型，所谓层级，本质是把多个 tf.keras.Model 实例按数据流向串起来——比如特征提取子模型输出接分类子模型输入。关键不是堆叠层，而是复用已训练好的子模型作为可调用对象。
常见错误是直接拼接 layers 列表，结果丢失子模型的输入/输出张量绑定关系，导致 model.predict() 报 ValueError: Input tensors must come from <code>tf.keras.Input。
- 每个子模型必须以
tf.keras.Input开头、有明确的output张量（不能是中间层） - 组合时用子模型名（如
backbone(x)）调用，而非取其.layers - 最终用
tf.keras.Model(inputs=..., outputs=...)重新封装，否则无法保存或部署
backbone = tf.keras.applications.EfficientNetB0(include_top=False, input_shape=(224,224,3)) backbone.trainable = False <p>x_in = tf.keras.Input(shape=(224,224,3)) x_feat = backbone(x_in) # ← 正确：调用整个模型 x_out = tf.keras.layers.GlobalAvgPool2D()(x_feat) x_out = tf.keras.layers.Dense(10)(x_out)</p><p>hierarchical_model = tf.keras.Model(inputs=x_in, outputs=x_out)
共享权重的层级结构：用同一个子模型实例多次调用
当需要在不同分支复用同一套参数（比如双路输入对比），不能重复实例化子模型，否则权重不共享。典型场景是 Siamese 网络、多视图融合。
容易踩的坑是写成 branch_a = MySubModel(); branch_b = MySubModel()，这样两个子模型各自维护独立权重，反向传播时梯度不会合并。
立即学习“Python免费学习笔记（深入）”；
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 定义一次子模型，然后在不同输入上多次调用（
submodel(input_a)和submodel(input_b)） - 子模型内部若含 BatchNorm 或 Dropout，需注意训练/推理模式一致性，建议显式传入
training=True/False - 若子模型带自定义状态（如 RNN 隐藏态），需确保每次调用是独立的，否则会意外共享状态
encoder = tf.keras.Sequential([
tf.keras.layers.Dense(64, activation='relu'),
tf.keras.layers.Dense(32)
])
<p>input_a = tf.keras.Input(shape=(784,))
input_b = tf.keras.Input(shape=(784,))</p><p>z_a = encoder(input_a) # ← 共享 encoder 权重
z_b = encoder(input_b) # ← 同一个 encoder 实例</p><p>distance = tf.keras.layers.Lambda(lambda x: tf.abs(x[0] - x[1]))([z_a, z_b])
siamese = tf.keras.Model(inputs=[input_a, input_b], outputs=distance)
动态切换子模型分支：用 tf.cond 或函数式条件逻辑
有些层级结构需要根据输入内容走不同子模型路径（例如文本长度短走 CNN，长走 Transformer）。Keras 默认静态图不支持 if 分支，硬写 Python if 会导致图构建失败或训练时跳过某分支。
错误示范：if tf.reduce_sum(x) > 0: return cnn_model(x) else: return rnn_model(x) —— 这在 @tf.function 下会报 OperatorNotAllowedInGraphError。
- 用
tf.cond包裹分支逻辑，确保所有分支都参与图构建 - 各分支子模型必须提前构建完成，不能在
tf.cond内部新建模型（否则变量未注册） - 分支返回值 shape 必须一致，否则后续层无法对齐；不一致时可用
tf.pad或统一投影层对齐
cnn_branch = tf.keras.Sequential([tf.keras.layers.Conv1D(32,3), tf.keras.layers.GlobalMaxPool1D()]) rnn_branch = tf.keras.Sequential([tf.keras.layers.LSTM(32), tf.keras.layers.Dense(32)]) <p>def route_by_length(x): seq_len = tf.shape(x)[1] return tf.cond( seq_len < 50, lambda: cnn_branch(x), lambda: rnn_branch(x) )</p><p>x_in = tf.keras.Input(shape=(None, 128)) y_out = tf.keras.layers.Lambda(route_by_length)(x_in) adaptive_model = tf.keras.Model(inputs=x_in, outputs=y_out)
保存与加载层级模型要注意子模型命名冲突
组合多个子模型后，如果各子模型内部用了相同 layer name（比如都叫 conv1），model.save() 会报 ValueError: The name "conv1" is used 2 times。这不是运行时错误，而是在保存权重或导出 SavedModel 时暴露的问题。
这个问题在迁移学习中高频出现：你加载了两个预训练模型（如 ResNet + VGG），它们内部 layer name 大量重名，直接组合就会炸。
- 加载子模型时加
name参数强制重命名：tf.keras.applications.ResNet50(..., name="resnet_backbone") - 或用
tf.keras.models.clone_model并传入input_tensors和自定义layer_fn重写名字 - 检查命名冲突可用
[l.name for l in hierarchical_model.layers]快速扫描重复项
真正麻烦的是子模型里嵌套了更深层的子模型（比如 Hugging Face 的 TFAutoModel），这时得进源码看它是否支持 name 参数，不支持就得手动遍历重命名——这事没法全自动，得留神。
