TF.js加载转换后的Keras孪生网络报dense层输入维度不兼容错误

数据老陈

2026-8-26

问题根因

报错核心由3个问题共同导致，和Lambda层本身的计算逻辑无关：

最核心错误：自定义层的call方法中直接使用JS原生-运算符对两个TF.js张量做减法。TF.js张量是JS对象，原生算术运算符会尝试将对象转为原始值，最终返回0维标量而非预期的2维特征张量，传入Dense层时就会触发维度不匹配错误。
自定义层computeOutputShape返回值错误：TF.js自定义层该方法接收的输入形状默认已剔除batch维度，原代码返回[null, 4608]多写了batch占位符，会打乱框架的形状推导逻辑。
输入张量未显式指定维度：使用tf.tensor(data)自动推导形状时，若传入的图片数据缺失最外层batch维度，会导致后续VGG、Flatten层输出维度整体偏移1位。
额外隐患：修改model.json时仅替换了class_name，原Lambda层残留的function、function_type等专属配置未清理，可能干扰自定义层初始化。

修正步骤

修正自定义层实现，禁止用原生运算符操作张量，同时修正输出形状逻辑：

class LayerAbs extends tf.layers.Layer {
    constructor() {
        super({});
        this.supportsMasking = true;
    }
          
    computeOutputShape(inputShape) {
        // inputShape为两个输入的形状，均已剔除batch维度，直接返回单个输入的形状即可
        return inputShape[0];
    }
          
    call(inputs) {
        // 使用TF.js内置API做张量运算，禁止用原生-运算符
        return tf.abs(tf.sub(inputs[0], inputs[1]));
    }
          
    static get className() {
        return 'LayerAbs';
    }
}
tf.serialization.registerClass(LayerAbs);

清理model.json中LayerAbs层的冗余配置，删除config下所有Lambda专属字段，仅保留必要配置即可：

{
    "class_name": "LayerAbs",
    "config": {
        "name": "lambda",
        "trainable": true,
        "dtype": "float32"
    },
    "name": "lambda",
    "inbound_nodes": [
        [
            ["flatten", 0, 0, {}],
            ["flatten", 1, 0, {}]
        ]
    ]
}

加载模型做预测时，显式指定输入张量的形状，确保和Python端输入维度完全一致（单张预测需加batch维度），同时保证输入数值预处理逻辑和Python端对齐（如像素归一化、均值减去等）：

// 以VGG16默认224*224输入尺寸为例，按实际训练时的输入尺寸修改
const inputShape = [1, 224, 224, 3];
const img1Tensor = tf.tensor(img1, inputShape, 'float32');
const img2Tensor = tf.tensor(img2, inputShape, 'float32');
const pred = model.predict([img1Tensor, img2Tensor]);

验证方式

可以在自定义层的call方法中添加形状打印日志，正常单张预测时，两个输入形状应为[1, 4608]，输出形状也为[1, 4608]（2维张量），即可正常传入后续Dense层。

可选更稳妥方案：在Python端构建模型时就用自定义Keras层替换Lambda层，重新加载训练好的权重保存为h5后，再用tensorflowjs_converter转换，可避免手动修改model.json带来的配置残留问题。

内容的提问来源于stack exchange，提问作者chyj4747