TensorFlow构建VAE函数式编码器报输出张量非法错误排查

报错信息 #

ValueError: Output tensors of a Functional model must be the output of a TensorFlow `Layer` (thus holding past layer metadata). Found: [[-0.02135764 -0.01809833  0.00880998 ... -0.02307652  0.00028993 0.00441882]...]

初步排查发现中间变量x类型为<class 'tensorflow.python.framework.ops.EagerTensor'>。

问题代码 #

def encoder(inputs, latent_dim):
    encoder_inputs = tf.keras.Input(shape=(None, 248, 40, 1), name="input_layer")
    x = tf.keras.layers.ZeroPadding2D(padding=(3, 0))(inputs)
    x = tf.keras.layers.Conv2D(32, (9, 1), strides=(5, 1), batch_size=batch_size)(x)

    model = tf.keras.Model(encoder_inputs, x, name="encoder")
    return model

曾尝试在创建模型时将输出参数替换为x.output，但EagerTensor不存在output属性，修复失败。

调用上下文 #

调用encoder函数时传入的X_train是形状为20x248x40x1的numpy数组（共20个形状为248x40x1的输入样本），调用代码：

model1 = encoder(X_train, 100)

错误诱因 #

• 构建Keras Functional API模型时，层的计算链路必须从tf.keras.Input定义的占位张量出发，最终输出也必须是这条链路上的Keras张量，不能是直接对实值数据计算得到的EagerTensor。代码中虽然定义了encoder_inputs占位符，但后续ZeroPadding2D、Conv2D层的输入直接用了函数传入的inputs（即实际的X_train numpy数组），层直接对实值做了前向计算，返回的x是带具体数值的EagerTensor，没有和Input层形成连通的计算图，不符合Functional模型的构造要求。
• 模型构建和数据传入逻辑混淆：构建模型是定义计算图结构的阶段，不需要传入任何实际训练数据，数据是在模型构建完成后，调用fit、predict或者直接调用模型实例时才传入的。
• 额外参数错误：tf.keras.layers.Conv2D没有batch_size参数，batch size是训练/推理阶段传入的参数，写在层初始化参数里会触发参数错误。

修复方案 #

1. 调整编码器函数逻辑：层计算统一从encoder_inputs占位符开始，不要在构建计算图时传入实值数据，删掉Conv2D里无效的batch_size参数：

def encoder(latent_dim, input_shape=(248, 40, 1)):
    encoder_inputs = tf.keras.Input(shape=input_shape, name="input_layer")
    x = tf.keras.layers.ZeroPadding2D(padding=(3, 0))(encoder_inputs)
    x = tf.keras.layers.Conv2D(32, (9, 1), strides=(5, 1))(x)
    model = tf.keras.Model(encoder_inputs, x, name="encoder")
    return model

2. 修正调用逻辑：先初始化模型，再传入数据做前向计算或者训练：

# 构建编码器模型，这一步不需要传入训练数据
model1 = encoder(latent_dim=100)
# 测试前向传播时再传入样本数据
encoder_output = model1(X_train)

内容的提问来源于stack exchange，提问作者Racecar