使用Lambda层仍遇'NoneType'无_inbound_nodes属性错误求助

这个错误的核心原因是：你构建的total_loss张量没有关联Keras层的节点信息，Keras的Model要求所有输出必须是Keras层的输出张量（即带有_inbound_nodes属性的张量），而直接对张量做加法或用self.add_操作得到的张量不满足这个要求。

具体解决步骤： #

• 用Keras层合并损失项：不要直接对张量做加法，改用Keras的Add层或Lambda层来合并四个损失项，确保total_loss是层的输出张量。
  示例代码：

  from tensorflow.keras.layers import Add, Lambda
  
  # 方法1：使用Add层合并
  total_loss = Add()([ama3_forward_loss1, ama3_forward_loss2, ama3_backward_loss1, ama3_backward_loss2])
  
  # 方法2：使用Lambda层自定义加法逻辑
  total_loss = Lambda(lambda losses: sum(losses))([ama3_forward_loss1, ama3_forward_loss2, ama3_backward_loss1, ama3_backward_loss2])
  

• 确保单个损失项也是层的输出：如果四个损失项是通过纯TensorFlow运算得到的，需要用Lambda层包裹，比如：

  ama3_forward_loss1 = Lambda(lambda x: tf.some_operation(x))(your_input_tensor)
  

• 验证输入张量合法性：构建模型时的输入x必须是KerasInput()层的输出，不能是无关联的张量。

完整示例片段： #

from tensorflow.keras.models import Model
from tensorflow.keras.layers import Input, Lambda, Add
import tensorflow as tf

# 定义输入层
x = Input(shape=(64, 64, 3))

# 假设这里是你的模型主体，生成y_aae和四个损失项
y_aae = ... # 模型的主要输出层
# 用Lambda层包裹损失计算，确保每个损失项都是层的输出
ama3_forward_loss1 = Lambda(lambda x: tf.reduce_mean(tf.square(x)))(some_intermediate_output)
ama3_forward_loss2 = Lambda(lambda x: tf.reduce_mean(tf.abs(x)))(another_intermediate_output)
ama3_backward_loss1 = Lambda(lambda x: tf.nn.softmax_cross_entropy_with_logits(x))(third_output)
ama3_backward_loss2 = Lambda(lambda x: tf.reduce_mean(x))(fourth_output)

# 合并损失项
total_loss = Add()([ama3_forward_loss1, ama3_forward_loss2, ama3_backward_loss1, ama3_backward_loss2])

# 构建模型
model = Model(inputs=x, outputs=[y_aae, total_loss])

内容的提问来源于stack exchange，提问作者Addon