Keras Custom Layer ValueError：一个操作对渐变有“无”

Question

我创建了一个自定义 Keras 层。该模型编译良好，但在训练时出现以下错误：

ValueError: 一个操作有None 用于梯度。请确保 您的所有操作都定义了渐变（即 可微）。没有梯度的常见操作：K.argmax，K.round， K.eval。

我的自定义层中是否有任何实现错误？

class SpatialLayer(Layer):

    def __init__(self, output_dim, **kwargs):
        self.output_dim = output_dim
        super(SpatialLayer, self).__init__(**kwargs)

    def build(self, input_shape):
        self.bias = None
        self.built = True
        self.kernelA = self.add_weight(name='kernelA', shape=(input_shape[1]-2, self.output_dim), initializer='uniform', trainable=True)

    def compute_output_shape(self, input_shape):
        return (input_shape[0], input_shape[1]-2, input_shape[1]-2, self.output_dim)


    def call(self, inputs):
        x_shape = tf.shape(inputs)
        top_values, top_indices = tf.nn.top_k(tf.reshape(inputs, (-1,)), 10, sorted=True,)
        top_indices = tf.stack(((top_indices // x_shape[1]), (top_indices % x_shape[1])), -1)
        top_indices = tf.cast(top_indices, dtype=tf.float32)
        t1 = tf.reshape(top_indices, (1,10,2))
        t2 = tf.reshape(top_indices, (10,1,2))
        result = tf.norm(t1-t2, ord='euclidean', axis=2)
        x = tf.placeholder(tf.float32, shape=[None, 10, 10, 1])
        tensor_zeros = tf.zeros_like(x)
        matrix = tensor_zeros + result
        return K.dot(matrix, self.kernelA)


    model = applications.VGG16(weights = "imagenet", include_top=False, input_shape = (img_width, img_height, 3))
    model.layers.pop()
    new_custom_layers = model.layers[-1].output
    model.layers[-1].trainable = False

    new_custom_layers = Conv2D(filters=1, kernel_size=(3, 3))(new_custom_layers)
    new_custom_layers = SpatialLayer(output_dim=1)(new_custom_layers)
    new_custom_layers = Flatten()(new_custom_layers)
    new_custom_layers = Dense(1024, activation="relu")(new_custom_layers)
    new_custom_layers = Dropout(0.5)(new_custom_layers)
    new_custom_layers = Dense(1024, activation="relu")(new_custom_layers)

任何帮助将不胜感激。

说明

我的自定义 Keras 层的输入是一个张量 (?, 12,12,1)，它表示来自给定图像的特征图。 例如：

[[147.00  20.14 ... 0 34.2  0   ]
 [ 12.00  10.14 ... 0 45.2  0   ]
 ...
 [100.00  60.14 ... 0 34.2  99.1]
 [ 90.00  65.14 ... 0 12.2  00.1]]

我想从这个张量中获取前 10 个值的坐标， 例如：(0,0), (10,0) ...., (10,11)，即 10 个坐标。

最后，我想计算坐标之间的距离矩阵。我正在使用欧几里得距离。 例如：

       coord1 coord2 ... coord9 cood10
coord1   0     12.3       13.1   2.3
coord2  1.3      0        3.2    9.1
  .
  .
  .
coord9  4.2     5.2        0     4.2
coor10  1.1     5.6       9.1     0

这个矩阵 (?, 10,10,1) 将是层输出。

Answer 1

您不能通过不可微分的函数进行反向传播。 而且您的功能不可微。

您丢弃了值top_values，只保留了整数常量top_indices。

在模型中使用此层的唯一方法是，如果之前的所有内容都不可训练。 （或者，如果您找到另一种以可微分方式计算所需内容的方法 - 这意味着：必须涉及输入值的操作）