TensorFlow Keras Lambda层多输入加法器调用predict报IndexError问题咨询

你定义的Keras输入层Input((1), name="Input1")要求输入张量的形状为(批量大小, 1)，而你传入的scaler1、scaler2是0维标量张量，形状为()，不存在第0维的批量轴，触发了数据适配器读取样本数量时的索引错误。

方案1：调整输入张量形状，匹配现有输入层要求 #

给标量张量增加批量轴和特征轴，调整为符合输入层要求的(1,1)形状：

# 方法1：用tf.expand_dims加轴
scaler1 = tf.expand_dims(tf.expand_dims(tf.convert_to_tensor(21.1), axis=0), axis=-1)
scaler2 = tf.expand_dims(tf.expand_dims(tf.convert_to_tensor(12.0), axis=0), axis=-1)

# 方法2：直接用tf.reshape指定形状
scaler1 = tf.reshape(tf.convert_to_tensor(21.1), (1,1))
scaler2 = tf.reshape(tf.convert_to_tensor(12.0), (1,1))

调用predict即可得到正确结果：

print(modelAdder.predict([scaler1, scaler2]))
# 输出：[[33.1]]

方案2：调整输入层定义，适配标量输入 #

如果你的业务场景需要传入标量，修改输入层的形状参数为()，仅保留批量轴：

inpAdder1 = keras.layers.Input((), name="Input1")
inpAdder2 = keras.layers.Input((), name="Input2")
doAdd = keras.layers.Lambda(lambda x: adder(x[0],x[1]),name="LambdaLayer")([inpAdder1,inpAdder2])
modelAdder = keras.Model([inpAdder1,inpAdder2],doAdd)

此时给标量增加批量轴调整为(1,)形状即可正常运行：

scaler1 = tf.expand_dims(tf.convert_to_tensor(21.1), axis=0)
scaler2 = tf.expand_dims(tf.convert_to_tensor(12.0), axis=0)
print(modelAdder.predict([scaler1, scaler2]))
# 输出：[33.1]

内容的提问来源于stack exchange，提问作者colton