Keras代码报错：'tuple'对象无法被解释为整数问题求助

错误原因 #

错误出在up_c2_w = np.ones((1, 1, 1, pt_depth))这一行：pt_depth被赋值为base_pretrained_model.layers[-1].output_shape，而Keras中层的output_shape是一个元组（格式为(None, 高度, 宽度, 通道数)），并非整数。np.ones()需要整数来指定维度大小，传入元组会触发类型不匹配错误。

修复步骤 #

• 修正pt_depth的取值，提取output_shape中的通道数（元组的最后一个元素）：

  pt_depth = base_pretrained_model.layers[-1].output_shape[-1]
  

• 后续Conv2D(pt_depth, ...)的参数会因为pt_depth变为整数而正常工作。

完整修正后的关键代码片段 #

base_pretrained_model = VGG16(input_shape =  t_x.shape[1:], include_top = False, weights = 'imagenet')
base_pretrained_model.trainable = False
# 修正：提取通道数（整数）
pt_depth = base_pretrained_model.layers[-1].output_shape[-1]
pt_features = base_pretrained_model(in_lay)
from keras.layers import BatchNormalization
bn_features = BatchNormalization()(pt_features)

# ... 中间注意力层代码保持不变 ...

# fan it out to all of the channels
# 现在pt_depth是整数，np.ones可正常生成权重矩阵
up_c2_w = np.ones((1, 1, 1, pt_depth))
up_c2 = Conv2D(pt_depth, kernel_size = (1,1), padding = 'same', 
               activation = 'linear', use_bias = False, weights = [up_c2_w])
up_c2.trainable = False
attn_layer = up_c2(attn_layer)

额外说明 #

VGG16在include_top=False时，最后一层的输出通道数固定为512，你也可以直接写pt_depth = 512，但通过output_shape[-1]获取更灵活，适配不同的预训练模型。

内容的提问来源于stack exchange，提问作者Colab Limit