能否在Keras中使用tf.spectral傅里叶函数？构建自编码器遇dtype错误

我之前也踩过类似的坑，咱们来一步步搞清楚问题出在哪，以及怎么解决：

问题根源分析 #

你遇到的ValueError: Tensor conversion requested dtype complex64 for Tensor with dtype float32，本质是三个点导致的：

• 旧API兼容性问题：tf.spectral.rfft/irfft已经被TensorFlow官方弃用，它的类型处理逻辑在Keras层中容易出现冲突；
• 输入形状不匹配：你的输入是(MAXLEN,1)的三维张量，但傅里叶变换函数默认处理最后一维，长度为1的维度做FFT没有实际意义，还会干扰张量类型的传递；
• Keras对复数张量的隐式转换：Keras的层默认更适配实数张量，复数张量在传递过程中可能被意外转换类型，导致irfft接收到错误的dtype。

修复后的完整代码 #

改用TensorFlow推荐的tf.signal系列API，同时调整输入输出的形状，就能解决问题：

import tensorflow as tf
from tensorflow.keras.layers import Input, Lambda
from tensorflow.keras.models import Model

# 定义你的序列长度
MAXLEN = 100

# 构建自编码器
inputs = Input(shape=(MAXLEN, 1), name='main_input')

# 第一步：压缩最后一维，把(MAXLEN,1)转成(MAXLEN)，适配FFT的输入要求
x = Lambda(lambda x: tf.squeeze(x, axis=-1))(inputs)

# 傅里叶变换：输入float32，输出complex64
x = Lambda(lambda x: tf.signal.rfft(x))(x)

# 逆傅里叶变换：输入complex64，输出float32，和原输入类型匹配
decoded = Lambda(lambda x: tf.signal.irfft(x))(x)

# 恢复最后一维，让输出形状和输入一致
decoded = Lambda(lambda x: tf.expand_dims(x, axis=-1))(decoded)

# 编译模型
autoencoder = Model(inputs, decoded)
autoencoder.compile(optimizer='adam', loss='mse')

验证有效性 #

你可以用随机输入测试一下，确认模型能正常运行：

import numpy as np

# 生成测试输入
test_input = np.random.rand(32, MAXLEN, 1).astype(np.float32)
# 预测输出
output = autoencoder.predict(test_input)

print(f"输入形状：{test_input.shape}")
print(f"输出形状：{output.shape}")
print(f"输入输出的平均误差：{np.mean(np.abs(test_input - output)):.6f}")

正常情况下，输出形状和输入一致，平均误差会非常接近0（因为傅里叶逆变换是无损操作）。

额外提示 #

如果坚持要用旧的tf.spectral API，你需要在Lambda层里显式指定张量类型，比如：

x = Lambda(lambda x: tf.cast(tf.spectral.rfft(x), tf.complex64))(inputs)
decoded = Lambda(lambda x: tf.cast(tf.spectral.irfft(x), tf.float32))(x)

但还是强烈建议迁移到tf.signal，因为旧API已经不再维护，后续可能会被移除。

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