我有一个训练好的Keras模型，它接受大小为(batchSize,2)的输入。这个模型运行良好，效果不错。

我的主要问题是，我需要一个模型，它能够接受大小为(batchSize,2,16)的向量输入，并在模型内部将其切片成16个大小为(batchSize,2)的向量，然后将输出结果连接在一起。

我使用了以下代码来实现这一点

    y = layers.Input(shape=(2,16,))    model_x= load_model('saved_model')    for i in range(16):        x_input = Lambda(lambda x: x[:, :, i])(y)        if i == 0:           x_output = model_x(x_input)        else:            x_output = layers.concatenate([x_output,                                       model_x(x_input)])    x_output = Lambda(lambda x: x[:, :tf.cast(N, tf.int32)])(x_output)    final_model = Model(y, x_output)

虽然保存的模型性能很好，但这段代码训练效果不佳，达不到预期的性能。我该怎么做才能获得更好的结果？

回答：

我无法对您最终模型的性能不佳做出评论，因为这可能是由多种原因导致的，从您的问题内容中并不容易看出原因。但是，回答您最初的问题：是的，您可以以这种方式使用for循环，因为您实际上是在创建层/张量并将它们连接在一起（即构建模型的图）。所以这是可行的。问题可能出在其他地方，例如索引错误、损失函数错误等。

此外，您可以使用更简单的办法来构建您的最终模型。您已经有一个训练好的模型，它接受形状为(batch_size, 2)的输入并输出形状为(batch_size, 8)的结果。现在，您想要构建一个模型，它接受形状为(batch_size, 2, 16)的输入，对这16个(batch_size, 2)的片段应用已训练的模型，然后连接结果。您可以使用TimeDistributed包装器轻松做到这一点：

# 加载您已训练的模型model_x = load_model('saved_model')inp = layers.Input(shape=(2,16))# 这使得输入形状变为`(16,2)`x = layers.Permute((2,1))(inp)# 这将对16个片段中的每一个应用`model_x`；输出形状将为(None, 16, 8)x = layers.TimeDistributed(model_x)(x)# 扁平化以使其形状为(None, 128)out = layers.Flatten()(x)final_model = Model(inp, out)