使用hub.KerasLayer调用YAMNet构建模型报错求助

错误原因 #

你调用new_model.build(waveform)时传入了实际的波形numpy数组，但tf.keras.Model.build()需要的是输入形状的元组，不是具体数据。当传入数组时，Keras会误把数组里的0.0（float类型）当成维度值，而维度必须是整数或None，因此抛出TypeError。

补充说明：YAMNet固定要求输入是16kHz采样率的单通道音频，你的3秒（3*16000采样点）音频长度符合要求，但传递方式不对。

修正步骤 #

• 修正build参数：传入输入形状元组，而非实际数据。单样本输入用(3*16000,)，支持批量输入用(None, 3*16000)（None表示批量大小可变）。
• 可选：添加全局平均池化：YAMNet输出的embeddings形状是[batch_size, num_frames, 1024]，加一层GlobalAveragePooling1D()可以把时间维度平均，得到固定形状[batch_size, 1024]，避免后续Dense层处理时的维度歧义。

修正后的代码：

import tensorflow as tf
import tensorflow_hub as hub
import numpy as np  # 补全之前遗漏的numpy导入

num_classes = 8
# 定义输入形状：(批量大小, 采样点数)，None支持可变批量
input_shape = (None, 3 * 16000)
new_model = tf.keras.Sequential([
    hub.KerasLayer("https://tfhub.dev/google/yamnet/1", output_key='embeddings', trainable=False),
    # 显式池化时间维度，统一特征形状
    tf.keras.layers.GlobalAveragePooling1D(),
    tf.keras.layers.Dense(num_classes, activation='softmax')
])
new_model.build(input_shape)

new_model.summary()

额外提醒 #

• 训练时要保证输入是**16kHz采样率、单通道、float32格式（值范围[-1,1]）**的音频，Mini Speech Commands数据集刚好符合，预处理时注意格式转换即可。
• 部署到Android前，要把训练好的模型转成TensorFlow Lite格式，确保和Android端的TFLite运行时兼容，同时确认输入输出形状符合移动端推理需求。

内容的提问来源于stack exchange，提问作者zheng