TensorFlow2.3自定义训练专属图像增强层报错求助

我明白你遇到的问题了——在函数式API里用自定义的图像增强层时，因为training=None参数导致了"None values not supported"的错误，而Sequential却能正常运行。这其实是因为Keras在不同模型结构下处理training参数的方式不一样。

问题根源 #

你在call方法里定义了training=None参数，但在函数式API构建模型的过程中，这个参数并没有被Keras自动注入正确的训练/推断状态（True/False），而是保持了None值，传给tf.cond后就触发了错误。而Sequential会自动帮你处理这个参数的传递，所以没出问题。

修复方案 #

有两种简单的方式解决这个问题，推荐第一种，更简洁且符合Keras的设计规范：

方案1：利用Layer内置的self.training属性

Keras的Layer类本身就自带了training属性，它会自动根据模型当前的运行模式（训练/推断）切换True/False状态。你只需要把call方法里的training参数去掉，改用self.training即可：

class RandomLight(layers.Layer):
    def __init__(self, factor=0.2):
        super(RandomLight,self).__init__()
        self.factor = factor
    
    def call(self, input):
        # 直接使用self.training判断当前模式
        if self.training:
            return tf.clip_by_value(tf.image.random_brightness(input, self.factor), 0, 1)
        else:
            return input

或者保持tf.cond的写法也可以：

def call(self, input):
    return tf.cond(
        self.training,
        lambda: tf.clip_by_value(tf.image.random_brightness(input, self.factor), 0, 1),
        lambda: input
    )

这样修改后，当你用函数式API构建模型时，Keras会自动管理self.training的值：

• 调用model.fit()时，self.training为True，执行图像增强
• 调用model.predict()或model.evaluate()时，self.training为False，直接返回原图

方案2：显式传递training参数到层

如果你想手动控制training状态，可以在函数式API构建时显式传递这个参数，同时保留call方法里的training参数：

首先修改层的call方法：

class RandomLight(layers.Layer):
    def __init__(self, factor=0.2):
        super(RandomLight,self).__init__()
        self.factor = factor
    
    def call(self, input, training=None):
        # 这里可以给training设置默认的判断逻辑
        training = training if training is not None else self.training
        return tf.cond(
            training,
            lambda: tf.clip_by_value(tf.image.random_brightness(input, self.factor), 0, 1),
            lambda: input
        )

然后在函数式API中构建模型时，传递training参数：

from tensorflow.keras import layers, Model

input_layer = layers.Input(shape=(224, 224, 3))
# 训练时传递training=True，推断时传递training=False
x = RandomLight()(input_layer, training=True)
# 后续层...
output_layer = layers.Dense(10, activation='softmax')(x)
model = Model(inputs=input_layer, outputs=output_layer)

如果想让training参数自动跟随Keras的全局学习状态，可以用K.learning_phase()：

from tensorflow.keras import backend as K

x = RandomLight()(input_layer, training=K.learning_phase())

验证 #

修改后，你可以用函数式API正常构建模型，训练时会自动执行图像增强，推断时则不会，而且不会再出现None values not supported的错误。

内容的提问来源于stack exchange，提问作者dFWXCff