ValueError:模型的输出张量必须是TensorFlow"Layer"的输出

Question

我在最后一层使用一些张量流函数(reduce_sum和l2_normalize(在 Keras 中构建模型，同时遇到了这个问题。我已经寻找了一个解决方案，但所有这些都与"Keras 张量"有关。

这是我的代码：

import tensorflow as tf;
from tensorflow.python.keras import backend as K
vgg16_model = VGG16(weights = 'imagenet', include_top = False, input_shape = input_shape);
fire8 = extract_layer_from_model(vgg16_model, layer_name = 'block4_pool');
pool8 = MaxPooling2D((3,3), strides = (2,2), name = 'pool8')(fire8.output);
fc1 = Conv2D(64, (6,6), strides= (1, 1), padding = 'same', name = 'fc1')(pool8);
fc1 = Dropout(rate = 0.5)(fc1);
fc2 = Conv2D(3, (1, 1), strides = (1, 1), padding = 'same', name = 'fc2')(fc1);
fc2 = Activation('relu')(fc2);
fc2 = Conv2D(3, (15, 15), padding = 'valid', name = 'fc_pooling')(fc2);
fc2_norm = K.l2_normalize(fc2, axis = 3);
est = tf.reduce_sum(fc2_norm, axis = (1, 2));
est = K.l2_normalize(est);
FC_model = Model(inputs = vgg16_model.input, outputs = est);

然后是错误：

值错误：模型的输出张量必须是 TensorFlowLayer(因此保存过去的层元数据(。发现： Tensor("l2_normalize_3：0"， shape=(？， 3(， dtype=float32(

我注意到，如果不将 fc2 层传递给这些函数，模型就可以正常工作：

FC_model = Model(inputs = vgg16_model.input, outputs = fc2);

有人可以向我解释这个问题以及如何解决它的一些建议吗？

Answer 1

我已经找到了解决问题的方法。 对于遇到相同问题的任何人，您可以使用 Lambda 层来包装您的张量流操作，这就是我所做的：

from tensorflow.python.keras.layers import Lambda;
def norm(fc2):
fc2_norm = K.l2_normalize(fc2, axis = 3);
illum_est = tf.reduce_sum(fc2_norm, axis = (1, 2));
illum_est = K.l2_normalize(illum_est);
return illum_est;
illum_est = Lambda(norm)(fc2);

Answer 2

我遇到了这个问题，因为我在模型中的某个地方添加了 2 个张量作为x1+x2，而不是使用Add()([x1,x2]).

这解决了问题。