TFJS搭建深度LSTM模型训练时stack参数张量类型报错如何解决

问题排查方案 #

• 第一步：先注释所有batchNormalization层调用，重新运行测试代码
  tfjs的BatchNormalization层处理LSTM输出的三维时序张量时，内部维度计算逻辑和Python TensorFlow存在差异，会触发张量堆叠错误，这是最可能导致你当前报错的原因。你可以先把所有BN层删除跑通基础模型，再调整层的顺序（比如将BN移到Dropout之前，或者仅在全连接层部分添加BN）。
• 第二步：替换LSTM的激活函数为默认值tanh测试
  你当前所有LSTM层都指定了relu作为激活，而tfjs的LSTM内部默认循环激活为hardSigmoid，两种激活配合在小时间步（你当前输入的时间步为1）场景下会出现内部张量维度丢失的问题。你可以先去掉LSTM层的activation参数，用默认的tanh跑通后再根据需求调整激活函数。
• 第三步：修正测试用的标签张量
  你当前用tf.ones([1,2])作为分类任务的标签不符合categoricalCrossentropy的输入要求，正确的one-hot标签可参考如下写法：

const label = tf.oneHot(tf.tensor1d([0], 'int32'), 2);

虽然这个问题不是你当前报错的直接原因，但会导致后续损失计算和模型训练异常。

内容的提问来源于stack exchange，提问作者jeefo