MIT深度学习导论Lab1-Part2代码本地运行报错求助

报错原因 #

你本地使用的TensorFlow 2.16.2（注：你写的16.2应为2.16.2）对应Keras 3.x版本，而Keras 3.x已移除对batch_input_shape参数的支持。Colab上的TensorFlow 2.15.0使用Keras 2.x，该版本允许传递batch_input_shape，因此代码在Colab可正常运行，但本地新版环境下会因参数不被识别触发报错。

解决方法 #

方法1：改用input_shape参数（推荐） #

Keras 3.x无需在层中指定batch维度，直接用input_shape定义输入的非batch部分即可，模型会自动适配不同batch大小。修改Embedding层代码：

tf.keras.layers.Embedding(vocab_size, embedding_dim, input_shape=[None]),

完整修改后的build_model函数：

def build_model(vocab_size, embedding_dim, rnn_units, batch_size):
  model = tf.keras.Sequential([
    # Layer 1: Embedding layer to transform indices into dense vectors
    tf.keras.layers.Embedding(vocab_size, embedding_dim, input_shape=[None]),

    # Layer 2: LSTM with `rnn_units` number of units
    tf.keras.layers.LSTM(rnn_units=rnn_units),

    # Layer 3: Dense layer that transforms output into vocabulary size
    tf.keras.layers.Dense(units=vocab_size, activation='softmax')
  ])

  return model

方法2：使用函数式API固定batch大小 #

若需强制固定batch尺寸，可改用Keras函数式API构建模型：

def build_model(vocab_size, embedding_dim, rnn_units, batch_size):
    # Define input layer with fixed batch size
    inputs = tf.keras.Input(shape=[None], batch_size=batch_size)
    # Connect embedding layer
    x = tf.keras.layers.Embedding(vocab_size, embedding_dim)(inputs)
    # Connect LSTM layer
    x = tf.keras.layers.LSTM(rnn_units)(x)
    # Connect output layer
    outputs = tf.keras.layers.Dense(vocab_size, activation='softmax')(x)
    # Create model
    model = tf.keras.Model(inputs, outputs)
    return model

内容的提问来源于stack exchange，提问作者Maks V. Zaikin