TensorFlow2.9构建CNN-LSTM模型报NotImplementedError求修复方案

• 该错误与eager模式无直接关联，核心触发原因是MobileNetV3Small内部包含TFOpLambda类型算子层，旧版TensorFlow中这类层未实现compute_output_shape方法，外层用TimeDistributed包装时无法自动推断输出张量形状，直接抛出异常。
• 原有代码中cnn_out.set_shape((None, 576))写法位置错误，该行仅在CNN模型内部给输出张量设置形状，无法被外层TimeDistributed层识别，起不到辅助形状推断的作用。
• 手动调用tf.compat.v1.enable_eager_execution()无效，是因为TF2初始化时默认已开启eager模式，该兼容接口重复调用不会改变执行模式，反而可能引发图构建逻辑冲突。

不需要调整整体模型结构，只需要修改CNN编码器部分的代码即可，修改后可直接运行：

inputs = Input(shape = (60, 224, 224, 3))
cnn_base = MobileNetV3Small(include_top = False, weights='imagenet', input_shape = (224, 224, 3))
# 可根据需要选择是否冻结预训练backbone权重
cnn_base.trainable = False

cnn_out = GlobalAveragePooling2D()(cnn_base.output)
cnn = Model(inputs=cnn_base.input, outputs=cnn_out)
# 显式注册CNN编码器的输出形状逻辑，解决形状推断失败问题
cnn.compute_output_shape = lambda input_shape: (input_shape[0], 576)

encoded_frames = TimeDistributed(cnn)(inputs)
# 极端兼容方案：如果上述修改仍报错，取消注释下一行显式reshape张量形状
# encoded_frames = Reshape((60, 576))(encoded_frames)

encoded_sequence = LSTM(256)(encoded_frames)
hidden_layer = Dense(1024, activation="relu")(encoded_sequence)
outputs = Dense(50, activation="softmax")(hidden_layer)
model = Model([inputs], outputs)

• 直接将TensorFlow升级到2.10及以上稳定版本，新版本已经官方修复了MobileNetV3系列模型中TFOpLambda层的形状注册问题，原代码不需要任何修改即可正常运行。
• 不要使用tf.compat.v1.enable_eager_execution()做修复，这个是TF1版本迁移到TF2的兼容接口，在TF2默认环境下调用不会解决该类形状推断问题。
• 不推荐用逐帧循环卷积替代TimeDistributed，这种写法运行效率会比原生TimeDistributed低30%以上，仅作为极端情况下的备选方案。

内容的提问来源于stack exchange，提问作者momo668