TensorFlow自定义层移除张量末维指定索引切片时触发.numpy()报错问题

• 报错本质是TensorFlow执行模式不匹配：
  • 单步测试处于即时执行（Eager）模式，张量携带实际数值，支持调用numpy()获取对应数组，原代码可正常运行。
  • 通过Input层搭建模型时，框架会对自定义层做静态计算图trace，此时所有对象都是无实际运行时值的符号张量，不存在numpy()方法，因此触发属性错误。
• 原实现的设计缺陷进一步放大了兼容问题：
  • 将固定的移除索引用add_weight存为层参数属于冗余设计，静态图场景下这类权重也是符号节点，无法通过.numpy()取具体值。
  • 采用tf.unstack拆成Python列表、手动删元素、再tf.stack拼接的逻辑，强依赖Python动态操作，效率低且静态图场景下易出现兼容问题。

优先选择完全基于TensorFlow原生图操作、无numpy()调用、兼容全执行模式的实现，无需修改原始数据集，所有切片移除逻辑在层内部完成。

推荐实现：基于tf.gather的索引收集逻辑 #

因为需要移除的索引是初始化时就确定的固定常量，无需将其存储为层权重，直接在层初始化时保留Python侧的索引配置，在build阶段提前计算需要保留的切片索引，call阶段通过tf.gather沿最后一维收集保留的切片即可。

参考代码（适配TensorFlow 2.3.0版本） #

class RemoveSelectedIndices(tf.keras.layers.Layer):
    def __init__(self, remove_indices=[3,4,5,6,7,22,23,24], **kwargs):
        super().__init__(**kwargs)
        # 存储固定的移除索引为普通实例属性，不占用层权重的存储空间
        self.remove_indices = remove_indices
        self.keep_indices = None

    def build(self, input_shape):
        # 在build阶段拿到输入最后一维的静态形状，计算需要保留的索引
        last_dim = input_shape[-1]
        all_valid_indices = set(range(last_dim))
        # 排除需要移除的索引，按原有顺序排序保证切片位置和原张量一致
        self.keep_indices = sorted(list(all_valid_indices - set(self.remove_indices)))
        super().build(input_shape)

    def call(self, input_tensor):
        # 沿最后一维按保留的索引收集切片，完全为TensorFlow原生图操作
        return tf.gather(input_tensor, indices=self.keep_indices, axis=-1)

方案优势 #

• 无任何.numpy()调用，完全兼容Eager模式、静态图trace、模型序列化/反序列化全流程，不会触发原有报错。
• 运行效率远高于原有unstack+Python列表删除+stack的实现，尤其适用于大batch、大维度的输入场景。
• 层的输出形状可以被Keras框架自动推导，不影响后续模型的形状传播。
• 逻辑全部封装在层内部，无需对原始数据集做离线预处理。

兼容动态形状的扩展实现 #

如果遇到输入最后一维为动态形状（无固定静态值）的场景，可以在call阶段通过TensorFlow原生集合运算计算保留索引，同样无需调用numpy()：

def call(self, input_tensor):
    # 获取运行时最后一维的实际长度
    last_dim = tf.shape(input_tensor)[-1]
    # 生成全量索引张量
    all_indices = tf.range(last_dim)
    # 将固定的移除索引转为常量张量
    remove_mask = tf.constant(self.remove_indices, dtype=tf.int32)
    # 计算差集得到保留索引
    self.keep_indices = tf.sets.difference(
        all_indices[None, :], remove_mask[None, :]
    ).values
    return tf.gather(input_tensor, indices=self.keep_indices, axis=-1)

注：原实现中即使去掉.numpy()调用，tf.unstack+Python列表删除的方式也会在大张量场景下产生远高于tf.gather的计算开销，不推荐长期使用。

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