如何将KerasTensor转为tf.Tensor？TensorFlow 2.5算子异常求助

一、KerasTensor转tf.Tensor的方法 #

KerasTensor是tf.Tensor的子类，多数场景下可直接混用。若需显式转换，使用tf.convert_to_tensor()即可：

import tensorflow as tf

# 将KerasTensor转为标准tf.Tensor
tf_tensor = tf.convert_to_tensor(keras_tensor)

注意：在Keras图模式中，该转换需在自定义层的call方法或函数式API节点内执行，确保在计算图流程中完成。

二、替换为Keras原生算子（推荐） #

TFOpLambda出现的核心原因是直接调用TensorFlow原生函数（tf.concat/tf.cast），而非使用Keras封装的层。换成Keras原生层可彻底规避该问题：

1. 替换tf.concat #

将原生tf.concat替换为tf.keras.layers.Concatenate层：

# 原写法
output = tf.concat([tensor1, tensor2], axis=-1)

# 替换为Keras层
concat_layer = tf.keras.layers.Concatenate(axis=-1)
output = concat_layer([tensor1, tensor2])

2. 替换tf.cast #

可通过Lambda层快速实现，或自定义可复用的Cast层：

方法1：Lambda层快速实现

output = tf.keras.layers.Lambda(lambda x: tf.cast(x, dtype=tf.float32))(input_tensor)

方法2：自定义Cast层

class CastLayer(tf.keras.layers.Layer):
    def __init__(self, target_dtype, **kwargs):
        super().__init__(**kwargs)
        self.target_dtype = target_dtype
    
    def call(self, inputs):
        return tf.cast(inputs, self.target_dtype)

# 使用方式
cast_layer = CastLayer(target_dtype=tf.float32)
output = cast_layer(input_tensor)

三、修复onnx2keras转换后的模型 #

对于转换后已存在TFOpLambda的模型，可遍历层结构，替换为对应Keras原生层：

import tensorflow as tf

class CastLayer(tf.keras.layers.Layer):
    def __init__(self, target_dtype, **kwargs):
        super().__init__(**kwargs)
        self.target_dtype = target_dtype
    
    def call(self, inputs):
        return tf.cast(inputs, self.target_dtype)

def rebuild_model_with_keras_layers(original_model):
    # 构建新旧层映射
    layer_mapping = {}
    for layer in original_model.layers:
        if isinstance(layer, tf.keras.layers.TFOpLambda):
            # 处理concat算子
            if layer.op in ("ConcatV2", "Concat"):
                concat_axis = layer.get_config()["arguments"]["axis"]
                new_layer = tf.keras.layers.Concatenate(axis=concat_axis, name=layer.name)
                layer_mapping[layer.name] = new_layer
            # 处理cast算子
            elif layer.op == "Cast":
                target_dtype = layer.get_config()["arguments"]["DstT"]
                new_layer = CastLayer(target_dtype=target_dtype, name=layer.name)
                layer_mapping[layer.name] = new_layer
            else:
                layer_mapping[layer.name] = layer
        else:
            layer_mapping[layer.name] = layer
    
    # 重建模型结构
    inputs = tf.keras.Input(shape=original_model.input_shape[1:])
    x = inputs
    for layer in original_model.layers:
        if isinstance(layer, tf.keras.layers.InputLayer):
            continue
        # 整理当前层的输入
        layer_inputs = []
        for inp in layer.input:
            if isinstance(inp, tf.keras.layers.Layer):
                layer_inputs.append(layer_mapping[inp.name].output)
            else:
                layer_inputs.append(inp)
        # 适配单输入/多输入场景
        layer_inputs = layer_inputs[0] if len(layer_inputs) == 1 else layer_inputs
        x = layer_mapping[layer.name](layer_inputs)
    
    new_model = tf.keras.Model(inputs=inputs, outputs=x)
    # 复制原模型非TFOpLambda层的权重
    for old_layer, new_layer in zip(original_model.layers, new_model.layers):
        if not isinstance(old_layer, tf.keras.layers.TFOpLambda):
            new_layer.set_weights(old_layer.get_weights())
    return new_model

# 使用示例：修复转换后的squeezenet模型
fixed_model = rebuild_model_with_keras_layers(your_converted_model)
fixed_model.save("fixed_squeezenet.h5")

四、可选方案：回退TensorFlow版本 #

若项目对版本无强制要求，回退到TensorFlow 2.3.1可直接规避该兼容性问题，但不推荐长期依赖旧版本。

内容的提问来源于stack exchange，提问作者Irene