TensorFlow1.15使用tf.reduce_mean调用predict报错如何解决

你的代码存在4个问题，共同触发了运行报错：

• 输入层参数写法错误：layers.Input的shape参数要求传入元组类型，直接传入整数10不符合参数规范。
• 模型输出链路不符合TF1.15内置Keras的要求：直接将TensorFlow原生算子tf.reduce_mean的运算结果作为模型输出，没有通过Keras标准层封装，Keras无法识别该计算节点的输出格式。
• 均值计算逻辑错误：调用tf.reduce_mean(inp)时没有指定计算轴，会对包含batch维度的所有元素求全局平均，最终输出单个0维标量，而predict方法需要按batch维度拆分输出、对应到每个输入样本，拿到无batch维度的标量时无法完成结果聚合，就会抛出Attempted to aggregate unsupported object类报错。
• 缺失依赖导入：代码中调用了np.random.randn但没有导入numpy库，不补充导入会触发名称错误。

import numpy as np
from tensorflow.keras import layers, models
import tensorflow as tf

# shape参数传入长度为1的元组，明确输入特征维度为10
inp = layers.Input(shape=(10,))
# 通过Lambda层包裹原生TF运算，指定axis=1仅对每个样本的特征维度求均值，保留batch维度
loss_mean = layers.Lambda(lambda x: tf.reduce_mean(x, axis=1))(inp)
model = models.Model(inp, loss_mean)
# 运行预测
result = model.predict(np.random.randn(3, 10))
print(result)

修正后的代码会输出形状为(3,)的numpy数组，每个值对应一个输入样本10个特征的均值，符合预期逻辑。注意在TF1.15版本中，所有非Keras内置层的自定义运算，都需要通过Lambda层或者自定义Layer封装后才能接入Keras模型的计算链路，否则会出现节点识别、输出聚合类的问题。

内容的提问来源于stack exchange，提问作者Влад Лещук