ValueError：模型的输出张量必须是TensorFlow`Layer`的输出答案

【问题标题】：ValueError: Output tensors to a Model must be the output of a TensorFlow `Layer`ValueError：模型的输出张量必须是TensorFlow`Layer`的输出
【发布时间】：2018-11-15 21:00:41
【问题描述】：

我在 Keras 中使用最后一层中的一些 tensorflow 函数（reduce_sum 和 l2_normalize）构建模型时遇到了这个问题。我已经搜索了一个解决方案，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：

ValueError: 模型的输出张量必须是模型的输出 TensorFlow Layer（因此保存过去的层元数据）。成立：张量("l2_normalize_3:0", shape=(?, 3), dtype=float32)

我注意到在没有将 fc2 层传递给这些函数的情况下，模型可以正常工作：

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

有人可以向我解释一下这个问题以及如何解决它的一些建议吗？

【问题讨论】：

标签： python tensorflow machine-learning keras tensor

【解决方案1】：

我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 tensorflow 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);

【讨论】：

在使用Concatenate层时遇到了同样的问题：它是Concatenate()([<previous_layers>])。如果您忘记了前导 ()，则会收到错误消息。

【解决方案2】：

我遇到了这个问题，因为我在模型的某处添加了 2 个张量作为 x1+x2，而不是使用 Add()([x1,x2])。

这解决了问题。

【讨论】：

类似的事情发生在我身上；不是添加，而是切片。