tf.keras训练时tensor.shape返回None导致运算报错如何解决？

这个报错是TensorFlow的tf.function静态图构建机制导致的：

• 当你把逻辑放在model.fit的流程里执行时，TensorFlow会自动将验证/测试逻辑包裹在tf.function中加速执行，构建静态图前会先触发形状推断步骤，此时框架会传入所有维度全为None的占位张量运行一遍你的代码，你看到的第四次异常调用就是这个步骤产生的。
• 如果你直接通过tensor.shape[dim]获取维度，拿到的是静态维度（编译期确定的维度值），形状推断阶段该值为None，执行减5操作就会触发类型不匹配报错。

你可以任选以下一种方式修复：

1. 统一使用动态形状获取维度
   所有从张量取维度的逻辑，都替换为tf.shape(tensor)[dim]写法，该API返回的是运行时动态维度，不会在编译阶段取到None。你可以先检查tf_utils.py第20行的代码，确保是用tf.shape的返回值计算：

# 正确写法，用tf.shape取动态维度
locs_shape = tf.shape(localizations)
num_classes = locs_shape[4] - 5

你贴的报错行显示代码直接访问了localizations.shape[4]，和你贴的函数代码不一致，确认下实际运行的代码有没有写错。

2. 固定张量的静态维度
   因为你的输出张量第3、4维是固定值（分别为3和7），你可以在模型输出层或者数据生成器的输出处指定静态形状，让形状推断阶段也能拿到固定维度：

# 仅固定确定的维度，不确定的维度（比如batch、grid size）保留为None即可
localizations.set_shape([None, None, None, 3, 7])

设置后直接访问localizations.shape[4]就能拿到固定值7，不会出现None。

3. 硬编码固定参数
   你的场景中num_classes是固定值（7-5=2），可以直接把这个值作为常量写死，或者作为函数参数传入，从根源上避免从张量形状取数的逻辑。

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