编辑：请不要做我在下面所做的事情。使用 GradCAM 查看第一个卷积层中使用的权重后，似乎 input_tensors 参数没有任何影响，尽管输入发生变化，但 base_model 的所有克隆都具有相同的权重。

就我而言，我使用 tf.keras.models.clone_model 来克隆基础的预训练神经网络，以便我的所有多个输入都有自己的路径：

# inputs:
x1 = tf.keras.layers.Input(shape=(None,None,3),name="x1")
x2 = tf.keras.layers.Input(shape=(None,name="x2")
x3 = tf.keras.layers.Input(shape=(None,name="x3")

# load base model:
base_model = tf.keras.applications.DenseNet169(input_tensor=x1,input_shape=(224,224,include_top=False,pooling='avg')

# create copies:
base_model2 = tf.keras.models.clone_model(base_model,input_tensors=x2)
base_model3 = tf.keras.models.clone_model(base_model,input_tensors=x3)

# you have to rename the layers in each model so there aren't any conflicts:
cnt = 0
for mod in [base_model1,base_model2,base_model3,base_model4,base_model5,base_model6]:
    cnt += 1
    for layer in mod.layers:
        old_name = layer.name
        layer._name = f"base_model{cnt}_{old_name}"

# this bit isn't necessary unless you want to access weights easily later on:
base1_out = base_model.output
base2_out = base_model2.output
base3_out = base_model3.output

# concatenate the outputs:
concatenated = tf.keras.layers.concatenate([base1_out,base2_out,base3_out],axis=-1)

# add dense layers if you want:
concat_dense = tf.keras.layers.Dense(2048)(concatenated)
out = tf.keras.layers.Dense(class_count,activation='softmax')(concat_dense)

tf.keras.models.Model(inputs=[x1,x2,x3],outputs=[out])

请注意，我的输入（以字典的形式）来自使用 TensorFlow 的 tf.data.Dataset 创建的符号张量。