Keras中如何将Average层输出转换后传入要求int32输入的Conv2D层

核心原因排查 #

你遇到的报错不是Conv2D要求int32类型输入（正常Conv2D层本身就要求浮点型输入），报错触发点来自参数类型不匹配，按以下优先级排查解决： #

最高概率修复方案：移除冗余的input_shape参数 #

Keras函数式API的层会在接收输入张量时自动推导输入形状，不需要手动传入input_shape参数，这是Sequential模型的用法。你当前传入的self._layer_hs_o.shape是张量的动态形状对象，其中未知维度会被识别为非整数类型，直接触发类型报错。
修改代码如下：

self._layer_hs_o = Average(name="heads")(
      [self._layer_hs_s, self._layer_hs_m, self._layer_hs_l])
# 移除input_shape参数即可
self._layer_d2c_c = Conv2D(d2c_config["filters"], 
      d2c_config["kernels"][0], 
      padding="same",
      activation=d2c_config["activation"], 
      name="d2c_c",
      kernel_initializer=d2c_config["init"],
      dilation_rate=d2c_config["dilations"][0]
    )(self._layer_hs_o)

次优先级排查方案：统一张量数据类型 #

如果移除input_shape后仍报错，检查三个输入到Average层的张量是否存在类型不一致的问题，可手动强制转换Average层输出为float32类型：

from tensorflow.keras.layers import Lambda
import tensorflow as tf

self._layer_hs_o = Average(name="heads")([self._layer_hs_s, self._layer_hs_m, self._layer_hs_l])
# 强制转换类型
self._layer_hs_o = Lambda(lambda x: tf.cast(x, tf.float32), name="cast_float")(self._layer_hs_o)

兜底排查点 #

确认三个输入到Average层的张量形状完全一致，形状不匹配会导致Average层输出动态形状，也可能间接触发类型报错。

内容的提问来源于stack exchange，提问作者haddagart