求助：如何通过求和另一层部分定义Keras层？运行代码遇张量类型错误

这个问题我之前也碰到过，本质是Keras的Model要求输出必须是Keras张量——也就是由Keras官方层（比如LSTM、Dense）生成的张量，而你直接用原生Python运算符（*、+）对LSTM输出做运算，得到的是普通TensorFlow张量，不在Keras的张量跟踪体系里，所以触发了TypeError。下面给你两个可行的解决方案：

方案一：用Lambda层快速包装运算 #

Lambda层是Keras专门用来封装简单张量运算的工具，能把普通TF运算转换成Keras层的输出，直接解决张量类型问题。修改后的代码如下：

from keras.layers import Input, LSTM, Lambda
from keras.models import Model

inputs = Input(shape=(100, 1, ))
lstm = LSTM(3, return_sequences=True)(inputs)
# 用Lambda层包裹你的线性组合逻辑
outputs = Lambda(lambda x: 2*x[:, :, 0] + 5*x[:, :, 1] + 10*x[:, :, 2])(lstm)
model = Model(inputs=inputs, outputs=outputs)
model.compile(loss='mean_squared_error', optimizer='adam')
model.fit(x, y)

这段代码里，Lambda层接收LSTM的输出张量，执行你需要的线性组合运算，输出的就是符合Keras要求的张量了。

方案二：自定义Keras层（适合复杂逻辑扩展） #

如果你的运算逻辑以后可能需要修改或复用，自定义层会更清晰、更灵活。代码示例：

from keras.layers import Input, LSTM, Layer
from keras.models import Model
from keras import backend as K

class LinearCombinationLayer(Layer):
    def __init__(self, weights=[2, 5, 10], **kwargs):
        self.weights = weights
        super(LinearCombinationLayer, self).__init__(**kwargs)

    def call(self, inputs):
        # 实现你的线性组合运算
        return (self.weights[0] * inputs[:, :, 0] +
                self.weights[1] * inputs[:, :, 1] +
                self.weights[2] * inputs[:, :, 2])

    def compute_output_shape(self, input_shape):
        # 定义输出形状：去掉最后一个维度（从(?,100,3)变成(?,100)）
        return (input_shape[0], input_shape[1])

# 使用自定义层构建模型
inputs = Input(shape=(100, 1, ))
lstm = LSTM(3, return_sequences=True)(inputs)
outputs = LinearCombinationLayer()(lstm)
model = Model(inputs=inputs, outputs=outputs)
model.compile(loss='mean_squared_error', optimizer='adam')
model.fit(x, y)

自定义层需要实现call方法（定义核心运算）和compute_output_shape方法（告诉Keras输出的张量形状），这样Keras就能正确处理这个层的输入输出了。

内容的提问来源于stack exchange，提问作者JM Zhou