将Keras Tensor转换为TensorFlow Tensor时遇属性错误求助

我尝试将Hugging Face的Informer模型与Keras模型结合，但该Hugging Face模型不支持Keras Tensor。我试图将Keras Tensor转换为TensorFlow Tensor，再转为NumPy数组，最后转为Torch Tensor，但在Keras Tensor转TensorFlow Tensor的步骤中遇到问题。我试过K.eval()，也开启了Eager模式、重装过TensorFlow和Keras，但转换后张量还是Keras Tensor类型，还出现了AttributeError: 'KerasTensor' object has no attribute 'numpy'错误。

模型输入代码：

input_layer = Input(shape=input_shape)

尝试的转换代码：

k_array = K.eval(k_tensor)
# Convert the Keras tensor to a NumPy array
n_array = np.array(k_array)
# Convert the NumPy array to a TensorFlow tensor with tf.convert_to_tensor
tf_tensor = tf.convert_to_tensor(n_array)

报错信息：

Traceback (most recent call last):
File "/Applications/PyCharm.app/Contents/plugins/python/helpers/pydev/pydevconsole.py", line 364, in runcode
coro = func()
File "", line 1, in File "/Applications/PyCharm.app/Contents/plugins/python/helpers/pydev/_pydev_bundle/pydev_umd.py", line 198, in runfile
pydev_imports.execfile(filename, global_vars, local_vars)

execute the script #

File "/Applications/PyCharm.app/Contents/plugins/python/helpers/pydev/_pydev_imps/_pydev_execfile.py", line 18, in execfile
exec(compile(contents+"\n", file, 'exec'), glob, loc)
File "/Users/myname/Apple Prediction.py", line 292, in
k_array = K.eval(input_layer2)
File "/Users/myname/opt/anaconda3/envs/Prediction/lib/python3.10/ site-packages/keras/backend.py", line 1634, in eval
return get_value(to_dense(x))
File "/Users/myname/opt/anaconda3/envs/Prediction/lib/python3.10/site-packages/keras/backend.py", line 4208, in get_value
return x.numpy()
AttributeError: 'KerasTensor' object has no attribute 'numpy'

Input层生成的是符号KerasTensor，它只是模型的输入占位符，没有实际数值。numpy()或K.eval()这类方法只对包含实际数据的Eager Tensor有效，即使开启Eager模式，符号张量依然是图构建的一部分，不会自动转化为Eager Tensor。

方法1：用Lambda层在Keras模型中嵌入PyTorch模型 #

通过tf.py_function将PyTorch模型的调用包装成Keras可识别的操作，自动完成张量格式转换：

import tensorflow as tf
import torch
from transformers import InformerModel

# 预加载Hugging Face Informer模型，切换到推理模式
informer_model = InformerModel.from_pretrained("your-informer-model-name")
informer_model.eval()

def pytorch_informer_wrapper(x):
    # TensorFlow张量 → NumPy数组 → PyTorch张量
    torch_tensor = torch.from_numpy(x.numpy()).float()
    # 推理时禁用梯度计算
    with torch.no_grad():
        outputs = informer_model(torch_tensor)
    # PyTorch输出 → NumPy数组 → TensorFlow张量
    return tf.convert_to_tensor(outputs.last_hidden_state.numpy())

# 构建Keras模型
input_layer = tf.keras.layers.Input(shape=input_shape)
# 用Lambda层包装PyTorch模型调用
informer_output = tf.keras.layers.Lambda(pytorch_informer_wrapper)(input_layer)
# 后续接Keras的其他层
output_layer = tf.keras.layers.Dense(1)(informer_output)
model = tf.keras.Model(inputs=input_layer, outputs=output_layer)

注意：这种方法在训练阶段会有性能损耗，因为涉及多次跨框架张量转换；若需训练，优先选择方法2。

方法2：直接加载TensorFlow版Hugging Face模型 #

Hugging Face Transformers支持直接加载TensorFlow版本的模型，可与Keras无缝兼容，无需手动转换张量：

from transformers import TFAutoModel

# 加载TensorFlow版本的Informer模型
tf_informer_model = TFAutoModel.from_pretrained("your-informer-model-name")

# 构建Keras模型
input_layer = tf.keras.layers.Input(shape=input_shape)
# 直接调用TensorFlow版模型，输出为KerasTensor
informer_output = tf_informer_model(input_layer)[0]  # 取last_hidden_state
output_layer = tf.keras.layers.Dense(1)(informer_output)
model = tf.keras.Model(inputs=input_layer, outputs=output_layer)

若官方无TensorFlow版Informer，可先通过transformers.convert_graph_to_onnx转成ONNX格式，再用TensorFlow的ONNX导入工具转为Keras层，或用torch2tf工具手动转换。

方法3：推理阶段手动处理数据 #

如果仅在推理时结合两个模型，可在Eager模式下先运行Keras模型得到实际输出，再转为PyTorch张量传给Informer：

# 定义Keras模型
keras_model = tf.keras.Model(inputs=input_layer, outputs=some_keras_output)
# 运行Keras模型得到TensorFlow张量
tf_output = keras_model.predict(your_input_data)
# 转为PyTorch张量
torch_input = torch.from_numpy(tf_output).float()
# 运行Informer模型
with torch.no_grad():
    informer_output = informer_model(torch_input)

内容的提问来源于stack exchange，提问作者Joe