使用ELMo预训练嵌入搭建LSTM时Reshape层shape转张量失败如何解决

• tf.keras.layers.Reshape的target_shape参数不允许传入None，该参数需要明确指定除批量维度之外的所有维度尺寸，如果某一维度需要自动推导，要使用-1代替None，你传入的None无法被转换为合法张量，直接触发报错。
• ELMo预训练层的默认输出维度为(批量大小, 序列长度, 1024)，本身就符合LSTM层要求的三维输入格式，不需要额外做Reshape新增维度，你写的(None, 1024, 1)会生成四维张量，反而不符合LSTM的输入要求。
• 存在变量名不匹配问题：你定义的输入层变量名为text_in、输出层变量名为text_out，但实例化Model时传入了不存在的input_layer和output_layer，后续运行也会触发变量未定义报错。
• 输入层定义不合理：Input(shape = ())是标量输入，无法承载文本序列数据，需要根据你的数据集设置固定的最大序列长度。

import tensorflow as tf
import tensorflow_hub as hub

epochs = 50
n_units = 512
max_sequence_len = 50 # 替换为你数据集的实际最大序列长度
total_words = 10000 # 替换为你的实际词表大小

# 定义输入层
text_in = tf.keras.Input(shape=(max_sequence_len,), dtype=tf.string)
# 加载ELMo层输出序列嵌入
embedding_layer = hub.KerasLayer("https://tfhub.dev/google/elmo/3", output_signature=tf.TensorSpec(shape=(None, max_sequence_len, 1024)))(text_in)
# 直接传入LSTM，无需Reshape
x = tf.keras.layers.LSTM(n_units)(embedding_layer)
x = tf.keras.layers.Dropout(0.2)(x)
text_out = tf.keras.layers.Dense(total_words, activation = 'softmax')(x)

model = tf.keras.Model(inputs=[text_in], outputs=text_out, name="LSTM with ELMo Embeddings")
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

内容的提问来源于stack exchange，提问作者savvysavage32