TensorFlow fully_connected已指定num_outputs仍报缺失参数错误求助

核心错误原因 #

从错误栈能明显看出，问题出在激活函数的引用上：你传入的activation_fn=relu实际上指向了fully_connected函数本身，而非TensorFlow的ReLU激活函数。当fully_connected内部调用激活函数时，它会尝试执行fully_connected(outputs)，但这个调用缺少num_outputs必填参数，因此抛出了这个看似矛盾的错误。

具体修复步骤 #

1. 正确导入激活函数
   你的代码里没有导入relu和elu，导致Python无法识别它们，或者你可能不小心把fully_connected赋值给了同名变量。需要明确导入激活函数，或者直接使用完整路径：

   # 方法1：提前导入
   from tensorflow.nn import relu, elu
   # 方法2：在参数中直接使用完整路径
   activation_fn=tf.nn.relu
   

2. 修正批量归一化的is_training参数
   你把bn_params里的is_training固定为True，这样训练和测试阶段无法切换状态，应该使用你定义的占位符is_training：

   bn_params = {
       'is_training': is_training,  # 替换成提前定义的占位符
       'decay': 0.99,
       'updates_collections': None,
       'scale': True
   }
   

3. 修复损失函数的计算
   tf.metrics.mean_squared_error返回的是一个元组（当前MSE值、更新MSE的操作），直接对它取平方根会出错。同时你的y是tf.float64类型，output是tf.float32类型，需要统一类型避免隐式转换警告：

   # 统一类型后手动计算损失
   output_float64 = tf.cast(output, tf.float64)
   mse = tf.reduce_mean(tf.square(y - output_float64))
   cost = tf.sqrt(mse)
   

4. 确保fully_connected的正确导入
   确认你已经正确导入所需的API：

   from tensorflow.contrib.layers import fully_connected, batch_norm
   

修正后的完整代码示例 #

import tensorflow as tf
from tensorflow.contrib.layers import fully_connected, batch_norm
from tensorflow.nn import relu, elu

tf.reset_default_graph()
n_input = 15
n_output = 1
n_hidden1 = 300
n_hidden2 = 300

X = tf.placeholder(tf.float32, shape=(None, n_input), name='X')
y = tf.placeholder(tf.float64, shape=(None, n_output), name='y')
is_training = tf.placeholder(tf.bool, shape=(), name='is_training')

bn_params = {
    'is_training': is_training,
    'decay': 0.99,
    'updates_collections': None,
    'scale': True
}

hidden1 = fully_connected(inputs=X, num_outputs=n_hidden1, scope='hidden1', 
                          activation_fn=relu, normalizer_fn=batch_norm, normalizer_params=bn_params)
hidden2 = fully_connected(inputs=hidden1, num_outputs=n_hidden2, scope='hidden2', 
                          activation_fn=elu, normalizer_fn=batch_norm, normalizer_params=bn_params)
output = fully_connected(inputs=hidden2, num_outputs=n_output, scope='output', 
                         activation_fn=None, normalizer_fn=batch_norm, normalizer_params=bn_params)

# 统一类型并计算损失
output_float64 = tf.cast(output, tf.float64)
mse = tf.reduce_mean(tf.square(y - output_float64))
cost = tf.sqrt(mse)

training_op = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(cost)

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