如何修复Keras模型训练时的'_output_tensor_cache'属性错误？

这个问题我之前在TF 1.x早期版本里也踩过坑，核心原因是自定义模型类没有正确完成父类的初始化流程，或者没做好模型结构的构建，导致Model实例缺失了_output_tensor_cache这个关键的内部缓存属性。

问题根源 #

在TensorFlow 1.7.0的tf.keras.Model实现里，_output_tensor_cache是父类用来缓存模型输出张量的内部属性，它是在父类的__init__方法中初始化的。如果你的自定义模型类没调用super().__init__()，或者没正确设置模型的输出张量，就会导致这个属性缺失，进而在调用fit()时触发错误。

修复方案 #

结合你的极简代码场景，下面是具体的修复步骤和示例：

1. 必须调用父类初始化方法

在自定义模型的__init__方法第一行，一定要先调用父类的初始化，这会帮你创建包括_output_tensor_cache在内的所有必要内部属性：

import tensorflow as tf
import numpy as np

class CustomModel(tf.keras.Model):
    def __init__(self):
        # 关键：先调用父类初始化，不能省略
        super(CustomModel, self).__init__()
        # 再定义你的网络层
        self.dense1 = tf.keras.layers.Dense(32, activation='relu')
        self.dense2 = tf.keras.layers.Dense(10, activation='softmax')
    
    def call(self, inputs):
        x = self.dense1(inputs)
        return self.dense2(x)

# 测试训练流程
model = CustomModel()
# TF 1.x中有时需要显式调用build触发模型构建
model.build(input_shape=(None, 784))
x_train = np.random.rand(100, 784)
y_train = np.random.randint(0, 10, (100,))
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy')
model.fit(x_train, y_train, epochs=1)

2. 纯函数式结构需显式设置输出

如果你的模型是用纯函数式API构建（不是在call方法里定义流程），需要在__init__里显式设置模型输出，确保内部缓存被初始化：

class CustomFunctionalModel(tf.keras.Model):
    def __init__(self):
        super(CustomFunctionalModel, self).__init__()
        # 定义函数式结构
        inputs = tf.keras.Input(shape=(784,))
        x = tf.keras.layers.Dense(32, activation='relu')(inputs)
        outputs = tf.keras.layers.Dense(10, activation='softmax')(x)
        # 显式设置模型输出，触发内部缓存初始化
        self._set_outputs(outputs)

# 训练流程同上
model = CustomFunctionalModel()
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy')
model.fit(x_train, y_train, epochs=1)

额外提醒 #

TensorFlow 1.7.0确实是比较老旧的版本，Keras API的实现还存在不少不完善的地方。如果项目允许，建议升级到TensorFlow 1.x的最后一个稳定版本（1.15.0），能避免很多这类底层属性缺失的问题。

内容的提问来源于stack exchange，提问作者Fanta