Keras - TypeError: Output tensors to a Model must be Keras tensors - 同时对多输入、多输出网络进行建模答案

【问题标题】：Keras - TypeError: Output tensors to a Model must be Keras tensors - while modelling multiple input , multiple output networkKeras - TypeError: Output tensors to a Model must be Keras tensors - 同时对多输入、多输出网络进行建模
【发布时间】：2017-08-02 11:33:23
【问题描述】：

我有一个由 9 个2000 维向量组成的序列，作为来自 2 个双向 lstms 的 o/p。我正在合并它们以获得九个4000 dim 向量。

我需要获取这 4000 维向量中的每一个，并将它们中的每一个输入共享的全连接层。我怎样才能做到这一点？现在我正在重塑合并 o/p 以馈入共享的全连接层。但是不知道有没有这个必要？

当我尝试对整个网络进行建模以采用多个 i/p 并产生多个 o/p 时，如link 中所述，我遇到了这个错误

代码可以在here找到。

# we can then concatenate the two vectors:
N=3
merge_cv = merge([top_out, btm_out], mode='concat')#concat_axis=2 or -1 (last dim axis)
cv = Reshape((9,1, 4000))(merge_cv) # we want 9 vectors of dimension 4000 each for sharedfc_out below

#number of output classes per cell
n_classes = 80
sharedfc_out= Dense(output_dim=n_classes,input_dim=4000,activation='relu')
#partial counts
#pc = np.ndarray(shape=(1,n_classes), dtype=float) 
#cells_pc = np.array([[pc for j in range(N)] for i in range(N)])
outpc=[]

for i in range(N):
    for j in range(N):
        # cells_pc[i][j] = sharedfc_out(cv[N*i+j])
        outpc.append(sharedfc_out(cv[0][N*i+j]))

# out=merge(outpc,mode='concat')
# out2=Reshape(720)(out)

model = Model(input=cells_in, output=outpc)

bi=lstm o/p 的维度

>>> merge_cv.shape
TensorShape([Dimension(1), Dimension(None), Dimension(4000)])
>>> cv.shape
TensorShape([Dimension(None), Dimension(9), Dimension(1), Dimension(4000)])

对于最后一行，我遇到了类型错误。

TypeError                                 Traceback (most recent call last)
 in ()
----> 1 model = Model(input=cells_in, output=outpc)

/home/jkl/anaconda3/lib/python3.5/site-packages/keras/engine/topology.py in __init__(self, input, output, name)
   1814                 cls_name = self.__class__.__name__
   1815                 raise TypeError('Output tensors to a ' + cls_name + ' must be '
-> 1816                                 'Keras tensors. Found: ' + str(x))
   1817         # Build self.output_layers:
   1818         for x in self.outputs:

TypeError: Output tensors to a Model must be Keras tensors. Found: Tensor("Relu_9:0", shape=(1, 80), dtype=float32)

【问题讨论】：

试试outpc.append(sharedfc_out(cv.get_output()[:,:,0,N*i+j]))
仍然遇到同样的错误 - TypeError: Output tensors to a Model must be Keras tensors。找到：Tensor("Relu_27:0", shape=(?, 80), dtype=float32)
但错误中的形状更改为 shape=(?, 80) 而不是之前的 shape=(1, 80)
试试aux_input = Lambda(lambda x: x[:,:,0, N * i + j], output_shape = (4000,)) 然后outpc.append(aux_input)`
试过aux_input = Lambda(lambda x: x[:,:,0, N * i + j], output_shape = (4000,)) outpc.append(sharedfc_out(aux_input))它给出了这个错误AttributeError: 'Lambda' object has no attribute 'get_shape'
你认为问题出在我对 merge_cv cv = Reshape((9,1, 4000))(merge_cv) 的重塑吗？我也尝试过重塑 outpc（以获得单个 o/p 向量 - 请参阅上面的最后 2 条注释行），但也没有用。

标签： python machine-learning neural-network keras keras-layer

【解决方案1】：

所以最后发现问题在于错误的列表切片，最终将None 作为层传递给列表，然后合并到一个输入中。修复此问题并使切片一致后 - 问题已解决。

【讨论】：