Keras实现WGAN-GP遇AttributeError：Tensor无_keras_history属性

这个问题我在实现WGAN-GP时也碰到过，核心原因是：K.random_uniform()直接生成的是原生TensorFlow张量，它没有Keras层输出张量必需的_keras_history属性，当你把这种纯TF张量和Keras层的输出（比如generated、real）一起传入Subtract、Multiply等Keras层时，Keras无法追踪整个计算图的历史，就会抛出AttributeError: 'Tensor' object has no attribute '_keras_history'的错误。

下面提供两种可行的解决方法，都能让生成的随机alpha张量符合Keras的要求：

方法1：用Lambda层包裹alpha的生成 #

把alpha的生成逻辑放到Keras的Lambda层中，这样生成的张量会自动带上Keras的历史信息，和后续的层操作兼容：

def random_weighted_average(self, generated, real):
    # 用Lambda层生成和real同形状的均匀随机张量，自动携带_keras_history
    alpha = keras.layers.Lambda(lambda x: K.random_uniform(shape=K.shape(x)))(real)
    diff = keras.layers.Subtract()([generated, real])
    scaled_diff = keras.layers.Multiply()([alpha, diff])
    return keras.layers.Add()([real, scaled_diff])

方法2：将整个加权平均逻辑封装到单个Lambda层 #

这种方式更简洁，把所有计算逻辑都放到一个Lambda层里，避免单独处理alpha的问题：

def random_weighted_average(self, generated, real):
    return keras.layers.Lambda(
        lambda inputs: inputs[1] + K.random_uniform(K.shape(inputs[1])) * (inputs[0] - inputs[1])
    )([generated, real])

为什么这两种方法有效？ #

Keras的Lambda层会把内部的张量操作封装成Keras层的一部分，它的输出张量会自动携带_keras_history属性，这样后续传入discriminator时，整个计算图的历史是连续可追踪的，就不会再触发属性错误了。

修改完random_weighted_average函数后，你原来的discriminator_model调用代码不需要做任何改动，就能正常运行了。

内容的提问来源于stack exchange，提问作者Nick