TF 2.4.1环境下运行三元组孪生网络Keras代码出现无法定位的AttributeError
三元组孪生网络训练AttributeError报错排查
问题场景
在Python学习阶段,于Jupyter Notebook环境(TensorFlow 2.4.1版本)运行参考公开实现编写的三元组孪生网络Keras代码,数据集加载流程正常,但训练循环执行时反复触发同类报错,无法追踪定位错误根源。
问题代码片段
import time dataset_train,dataset_test,x_train_origin,y_train_origin,x_test_origin,y_test_origin = buildDataSet() network = build_network(input_shape,128) network_train = build_model(input_shape, network, margin=0.2) network_train.compile(loss=None, optimizer=Adam(0.0001), metrics=['accuracy']) print("Starting training process!") print("-------------------------------------") t_start = time.time() n_iter = 10 for i in range(1, n_iter+1): triplets = get_batch_hard(100,10,10,network) loss = network_train.train_on_batch(triplets, None) n_iteration += 1 if i % evaluate_every == 0: print("\n ------------- \n") print("[{3}] Time for {0} iterations: {1:.1f} mins, Train Loss: {2}".format(i, (time.time()-t_start)/60.0,loss,n_iteration)) probs,yprob = compute_probs(network,x_test_origin[:n_val,:,:,:],y_test_origin[:n_val])
报错核心原因
从错误栈最末尾的触发点定位,错误来源于Keras默认指标计算逻辑对空值的依赖,具体触发链路:
- 模型编译时传入
metrics=['accuracy']配置,但三元组孪生网络的训练流程没有配套硬标签输入,调用train_on_batch时传入的标签参数为None - TensorFlow 2.4.1版本的Keras默认训练逻辑中,
compiled_metrics.update_state步骤必须接收非空的真实标签张量,当标签为None时,代码尝试执行len(y_t.shape.as_list()),直接触发'NoneType' object has no attribute 'shape'异常 - 代码存在额外潜在缺陷:变量
n_iteration未在循环前完成初始化,在当前报错修复完成后,第一次执行n_iteration +=1语句时会触发NameError
对应修复方案
- 编译模型时移除不需要的默认
metrics配置,三元组损失场景无法直接通过分类准确率衡量模型效果,后续可通过独立的评估函数计算相似性匹配精度
修改后的编译代码:network_train.compile(loss=None, optimizer=Adam(0.0001)) - 在训练循环前补充
n_iteration = 0的初始化语句,避免变量未定义错误 - 若需要保留自定义日志输出,可重写模型的
train_step方法,跳过默认的指标更新逻辑,仅执行自定义三元组损失的计算流程,避免对空标签的依赖
错误栈参考
AttributeError: in user code: TensorFlow/Keras 训练环节触发链路: train_function -> step_function -> run_step -> model.train_step -> compiled_metrics.update_state -> _get_metric_object 最终执行语句:y_t_rank = len(y_t.shape.as_list()) 异常信息:AttributeError: 'NoneType' object has no attribute 'shape'
内容的提问来源于stack exchange,提问作者Hina Ashraf
相关产品推荐
相关产品推荐

