tf.Keras自定义层输出形状为None的问题求助

我来帮你分析下这个问题的根源，以及怎么修复它——核心是你混淆了静态形状推断和动态形状计算的逻辑，导致Keras无法正确识别自定义层的输出维度，进而触发后续的报错。

问题拆解 #

1. compute_output_shape方法的误用：
   这个方法是给Keras做静态形状推断用的，它接收的是TensorShape类型的静态形状参数，但你在call方法里传入的是tf.shape(inputs)返回的动态张量（只有运行时才能确定的形状），这直接导致静态形状推断失败，所以model.summary里显示输出为(None, None, None)。

2. call方法中reshape逻辑错误：
   你试图用compute_output_shape来生成动态reshape的目标形状，但这个方法的设计目的是声明静态形状，不是做动态计算。直接传入动态张量会导致形状计算混乱。

修复后的代码 #

import tensorflow as tf
from tensorflow import keras

class fakeLayer(keras.layers.Layer):
    def __init__(self, **kwargs):
        super().__init__(**kwargs)
    
    def compute_output_shape(self, input_shape):
        # 将静态形状转为列表，方便维度计算
        input_shape_list = tf.TensorShape(input_shape).as_list()
        # 返回正确的静态输出形状：保留batch维度，合并空间维度，保留通道维度
        return tf.TensorShape([
            input_shape_list[0], 
            input_shape_list[1] * input_shape_list[2], 
            input_shape_list[3]
        ])
    
    def build(self, input_shape):
        super().build(input_shape)
    
    def call(self, inputs):
        # 动态获取输入的各个维度（运行时确定）
        batch_size = tf.shape(inputs)[0]
        height = tf.shape(inputs)[1]
        width = tf.shape(inputs)[2]
        channels = tf.shape(inputs)[3]
        # 动态计算输出形状
        output_shape = tf.stack([batch_size, height * width, channels])
        return tf.reshape(inputs, output_shape)

inp = keras.layers.Input((32,32,3))
x = keras.layers.Conv2D(16, (3,3))(inp)
x = fakeLayer()(x)
x = keras.layers.Flatten()(x)
x = keras.layers.Dense(1)(x)
model = keras.models.Model(inputs= inp, outputs = x)
print(model.summary())

关键修改点 #

• 修正compute_output_shape：
  明确处理静态TensorShape对象，将其转为列表后计算合并后的空间维度，返回标准的TensorShape，让Keras能正确推断静态输出形状。
• 重构call方法的reshape逻辑：
  用tf.shape动态获取输入的各个维度，再通过tf.stack生成动态的目标形状，彻底区分开静态形状声明和动态形状计算的逻辑。

测试结果 #

运行修复后的代码，model.summary会正确显示fakeLayer的输出形状为(None, 900, 16)（因为Conv2D(3,3)在valid padding下，32x32输入会变成30x30，30*30=900），取消注释Flatten和Dense层后也不会再触发ValueError，所有层的形状都能被正确推断。

内容的提问来源于stack exchange，提问作者Marcelin Tworski