TensorFlow.js预测报错：conv2d需float32张量却得int32，tf.cast未生效

核心误解：tf.shape()的输出并非原张量的 dtype #

你打印的tf.shape(inputs)和tf.shape(x)结果，显示的是形状张量本身的数据类型（TensorFlow中tf.shape()返回的张量永远是整数类型，通常为int32），而非原张量inputs或x的 dtype。这意味着你误以为tf.cast未生效，但实际上Python端的类型转换是正常的——要验证原张量的 dtype，应该打印x.dtype而非tf.shape(x)：

print(inputs.dtype)
x = tf.cast(tf.one_hot(tf.cast(inputs + 1, tf.int32), 3), tf.float32)
print(x.dtype)  # 此处会输出 tf.float32，证明转换有效

报错的真正原因：模型转换时TensorFlow操作的序列化问题 #

你在模型中使用了纯TensorFlow API（tf.one_hot、tf.cast）而非Keras层处理张量，这些操作转换为TensorFlow.js模型时，可能出现类型信息丢失或序列化不完整的情况，导致TF.js端无法正确识别转换后的float32类型，最终Conv2D层接收到的张量被误判为int32。

解决方案 #

1. 用Keras Lambda层包裹TensorFlow操作 #

将类型转换和one-hot编码逻辑放入Lambda层，确保模型序列化时完整保留操作和类型信息：

inputs = tf.keras.layers.Input((9), dtype=tf.float32)  # 显式指定输入层dtype为float32

# 用Lambda层包裹所有TensorFlow原生操作
x = tf.keras.layers.Lambda(
    lambda inputs: tf.cast(tf.one_hot(tf.cast(inputs + 1, tf.int32), 3), tf.float32)
)(inputs)

x = tf.reshape(x, (-1, 3, 3, 3))
x = tf.keras.layers.Conv2D(
    filters=3**5, kernel_size=(3, 3), kernel_regularizer=kernel_regularizer
)(x)
# 后续模型定义...

2. 重新导出模型并验证 #

修改模型后，重新用TensorFlow.js转换器导出模型：

import tensorflowjs as tfjs

# 假设你的模型变量名为model
tfjs.converters.save_keras_model(model, "./tf_models/models_js/model")

3. （可选）TF.js端显式强制转换输入 #

如果上述方法仍有问题，可以在TF.js预测前显式将输入张量转换为float32（临时 workaround，可快速验证）：

let input_tensor = tf.tensor2d([0.0, -1.0, 1.0, -1.0, 0.0, 0.0, 0.0, 0.0, 0.0], [1, 9], 'float32').cast('float32');
let test_output = await tf_model.predict(input_tensor);

内容的提问来源于stack exchange，提问作者Andrea