TensorFlow 2.15编译情感分析模型遇floatx属性缺失错误

问题背景 #

在Python 3.11、TensorFlow 2.15环境下，使用VSCode Jupyter Notebook构建亚马逊评论情感分类的NLP模型时，最初模型编译成功，但拟合阶段导致VSCode崩溃；重启后编译模型时触发错误：

AttributeError: module 'keras.src.backend' has no attribute 'floatx'

尝试执行以下代码未解决问题：

import keras.backend as K
K.set_floatx('float32')

解决方案 #

1. 统一使用TensorFlow内置的Keras模块 #

TensorFlow 2.x版本已将Keras整合为内置模块，独立安装的Keras包会与tensorflow.keras产生版本冲突，导致路径错误。修改代码为：

from tensorflow.keras import backend as K
K.set_floatx('float32')

2. 卸载独立的Keras包（若已安装） #

执行以下命令移除独立Keras，避免与TensorFlow内置的Keras冲突：

pip uninstall -y keras

3. 重置Jupyter内核并确认环境 #

• 在VSCode中，点击Jupyter工具栏的"内核"选项，选择对应Python环境（确保是安装了TensorFlow 2.15的环境）
• 重启内核后，重新运行所有代码单元格，避免旧缓存模块干扰

4. 解决拟合阶段VSCode崩溃问题 #

拟合时崩溃大概率是内存不足导致，可尝试：

• 减小batch_size参数（例如从32调整为16）
• 使用tensorflow.keras.utils.Sequence或生成器加载数据，避免一次性将所有评论数据加载到内存
• 若使用GPU，检查GPU显存是否足够，可启用混合精度训练：

  from tensorflow.keras.mixed_precision import set_global_policy
  set_global_policy('mixed_float16')
  

完整修正后的模型代码示例 #

from tensorflow.keras.models import Sequential
from tensorflow.keras import layers
from tensorflow.keras import backend as K

# 设置浮点类型
K.set_floatx('float32')

# 需确保max_words和max_length已提前定义（例如通过数据预处理得到）
max_words = 10000  # 示例值，根据实际数据调整
max_length = 200   # 示例值，根据实际数据调整
embedding_dim = 100

# 创建模型
model = Sequential([
    layers.Embedding(max_words, embedding_dim, input_length=max_length),
    layers.LSTM(64),
    layers.Dense(1, activation='sigmoid')
])

# 编译模型
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# 打印模型摘要
print(model.summary())

内容的提问来源于stack exchange，提问作者Qamil Mirza