重塑张量时,我得到None类型。在使用损失函数和优化器编译模型时(在开始训练之前)会发生这种情况。我该怎么办?
错误:
TypeError: Failed to convert object of type <class 'tuple'> to Tensor. Contents: (None, -1). Consider casting elements to a supported type.
自定义损失功能:
def custom_loss(y_true, y_pred):
y_pred = K.reshape(y_pred, (K.get_variable_shape(y_pred)[0], -1))
y_true = K.reshape(y_true, (K.get_variable_shape(y_true)[0], -1))
y_pred = K.std(y_pred, axis=0)
y_true = K.std(y_true, axis=0)
loss = (1/2) * (y_pred - y_true) ** 2
loss = K.mean(loss)
return loss
答案 0 :(得分:3)
发生这种情况是因为您的y_true
或y_pred
张量形状未正确定义。 None
的意思是张量形状不是严格设置的,但是它可以根据我们无法看到的先前操作而变化。或者您只是像这样初始化张量。
如何修复:
y_true
或y_pred
的形状,并避免获得None形状,这样张量将具有确定的行数和列数示例:
您的损失功能可用于正确的输入:
import tensorflow as tf
from keras import backend as K
def custom_loss(y_true, y_pred):
y_pred = K.reshape(y_pred, (K.get_variable_shape(y_pred)[0], -1))
y_true = K.reshape(y_true, (K.get_variable_shape(y_true)[0], -1))
y_pred = K.std(y_pred, axis=0)
y_true = K.std(y_true, axis=0)
loss = (1 / 2) * (y_pred - y_true) ** 2
return loss
a = tf.constant([[1.0, 2., 3.]])
b = tf.constant([[1., 2., 3.]])
loss = custom_loss(a, b)
loss = tf.Print(loss, [loss], "loss")
with tf.Session() as sess:
_ = sess.run([loss])
但是当使用我未定义形状的占位符时,会抛出相同的异常
a = tf.placeholder(tf.float32, (None, 32))
答案 1 :(得分:0)
我修复了它:
def custom_loss(y_true, y_pred):
y_pred = K.reshape(y_pred, (K.shape(y_pred)[0], -1))
y_true = K.reshape(y_true, (K.shape(y_true)[0], -1))
y_pred = K.std(y_pred, axis=0)
y_true = K.std(y_true, axis=0)
loss = (1/2) * (y_pred - y_true) ** 2
loss = K.mean(loss)
return loss
问题在于找到y_true和y_predict的第一维。在编译期间,它将不会得到真实的形状,因此将返回None值。因此,我得到的是tf.Tensor形状,而不是得到形状的整数值。我将K.get_variable_shape(y_true)更改为仅K.shape(y_true)并解决了。