在自定义服务签名中使用Keras后端函数报错：Tensor无numpy属性

问题根源 #

你遇到的AttributeError: 'Tensor' object has no attribute 'numpy'错误，本质是K.function和tf.function的执行模式冲突：

• K.function是为Eager模式设计的工具，它会试图将输入的Tensor转换为numpy数组进行计算；
• 但被tf.function包装的代码运行在图模式下，传入的是图张量而非Eager张量，无法直接调用.numpy()，因此触发错误。

可行解决方案 #

核心是去掉K.function，改用纯TensorFlow图模式的操作来获取模型层输出，以下是两种可靠实现方式：

方式1：预先构建子模型（推荐）

在tf.function外部提前定义好包含目标层的子模型，避免在图模式中重复创建模型结构：

# 预先从原模型中提取目标子模型
input_layer = model.get_layer('input_f')
probs_layer = model.get_layer('probs')
sub_model = tf.keras.Model(inputs=input_layer.input, outputs=probs_layer.output)

# 定义符合服务签名要求的函数
@tf.function(input_signature=[tf.TensorSpec([None, 27], dtype=tf.float32, name='inputs')])
def predict_output(x):
    proba = sub_model(x)
    return {'scores': proba}

# 保存模型（带自定义签名）
model.save("saved_model", signatures={"serving_default": predict_output})

方式2：直接调用模型层的前向传播

如果子模型构建不方便，可直接在tf.function内部按层的调用顺序计算输出：

@tf.function(input_signature=[tf.TensorSpec([None, 27], dtype=tf.float32, name='inputs')])
def predict_output(x):
    # 按原模型中从input_f到probs的层顺序依次调用
    # 示例：假设中间层为dense1、dense2，需替换为你实际的层名称
    x = model.get_layer('dense1')(x)
    x = model.get_layer('dense2')(x)
    proba = model.get_layer('probs')(x)
    return {'scores': proba}

# 保存模型
model.save("saved_model", signatures={"serving_default": predict_output})

验证要点 #

• 确保所有操作都是TensorFlow的图模式兼容操作，避免在tf.function内部使用任何依赖Eager模式的工具（如K.function、.numpy()直接调用）；
• 测试时可先单独调用predict_output传入Tensor（而非numpy数组），确认无错误后再保存模型。

内容的提问来源于stack exchange，提问作者John Dirak