遇到ValueError：Keras函数式模型输入张量异常该如何解决？

错误原因 #

你直接将真实的输入数据张量传给了Keras函数式模型，而Keras要求模型的输入必须是通过tf.keras.Input()定义的KerasTensor（模型输入占位符），不能直接传入真实数据张量。

解决步骤 #

1. 正确构建Keras函数式模型 #

先通过tf.keras.Input()声明输入的形状、数据类型，作为模型的输入接口，再搭建模型核心逻辑：

import tensorflow as tf
from transformers import TFBertModel

# 根据你的任务调整参数
max_seq_len = 512
num_classes = 2  # 任务类别数量

# 定义Keras输入占位符
input_ids_input = tf.keras.Input(shape=(max_seq_len,), dtype=tf.int32, name="input_ids")
attention_mask_input = tf.keras.Input(shape=(max_seq_len,), dtype=tf.int32, name="attention_mask")

# 示例：基于BERT构建模型核心
bert_model = TFBertModel.from_pretrained('bert-base-chinese')
bert_output = bert_model(input_ids_input, attention_mask=attention_mask_input)[0]
# 提取[CLS] token输出用于分类任务
cls_output = bert_output[:, 0, :]
# 输出未激活的logits
logits = tf.keras.layers.Dense(num_classes, activation=None)(cls_output)

# 组装完整模型
model = tf.keras.Model(inputs=[input_ids_input, attention_mask_input], outputs=logits)

2. 传入真实数据并计算softmax #

用真实的输入数据张量调用模型，再对输出的logits应用softmax：

# real_input_ids、real_attention_mask为你的真实输入数据张量
logits = model([real_input_ids, real_attention_mask])
# 计算概率分布
probabilities = tf.nn.softmax(logits, axis=1)

若使用PyTorch环境 #

如果是PyTorch框架，不要混用Keras的Model类，改用PyTorch标准模型定义方式：

import torch
import torch.nn.functional as F
from transformers import BertModel

class CustomModel(torch.nn.Module):
    def __init__(self, num_classes):
        super().__init__()
        self.bert = BertModel.from_pretrained('bert-base-chinese')
        self.classifier = torch.nn.Linear(self.bert.config.hidden_size, num_classes)
    
    def forward(self, input_ids, attention_mask):
        outputs = self.bert(input_ids, attention_mask=attention_mask)
        cls_output = outputs.last_hidden_state[:, 0, :]
        logits = self.classifier(cls_output)
        return logits

# 实例化模型并推理
model = CustomModel(num_classes=2)
logits = model(input_ids, attention_mask)
probabilities = F.softmax(logits, dim=1)

内容的提问来源于stack exchange，提问作者Santhoshi Vaasanthi