复现Dual-AMN论文时TensorFlow兼容模式下切片索引越界问题求助

你遇到的错误源于TensorFlow 2.x（即使开启兼容模式）的Keras损失处理逻辑变化：原代码将预计算好的loss直接作为模型输出，并用lambda y_true,y_pred: y_pred跳过额外损失计算，但TF2的Keras会自动对y_pred执行维度检查（尝试获取最后一维判断是否需要压缩）。如果你的loss是标量张量（shape为[]），array_ops.shape(y_pred)[-1]会因shape张量为空（[0]）触发索引越界错误。

方案1：改用add_loss定义损失（推荐） #

修改模型定义，不把loss作为输出，而是通过add_loss将预计算的损失绑定到模型上，绕开loss函数的维度检查逻辑：

# 替换原模型定义代码
train_model = keras.Model(inputs = inputs + [alignment_input], outputs = out_feature) # 替换为任意模型中间/最终输出张量
train_model.add_loss(loss) # 将预计算的loss添加到模型

# 编译时无需指定loss
train_model.compile(optimizer=tf.keras.optimizers.RMSprop(lr))

方案2：自定义损失函数避免维度检查 #

用显式函数替代lambda表达式，避免触发Keras的自动维度处理：

def pass_through_loss(y_true, y_pred):
    return tf.identity(y_pred)

train_model.compile(loss=pass_through_loss, optimizer=tf.keras.optimizers.RMSprop(lr))

方案3：确保loss输出为非空维度张量 #

给loss张量增加一个维度，让Keras的维度检查逻辑可以正常执行：

# 修改模型输出代码
train_model = keras.Model(inputs = inputs + [alignment_input], outputs = tf.expand_dims(loss, axis=-1))

# 保留原编译逻辑
train_model.compile(loss=lambda y_true,y_pred: y_pred, optimizer=tf.keras.optimizers.RMSprop(lr))

方案4：创建原项目指定环境（彻底规避兼容问题） #

使用conda创建完全匹配的依赖环境：

conda create -n dual-amn python=3.6
conda activate dual-amn
pip install tensorflow==1.14.0 keras==2.2.5 scipy numpy tqdm numba jupyter

内容的提问来源于stack exchange，提问作者Ma.Yinghao