Question

我想乘以2个张量，所以我在Keras中使用了lambda层，并使用目标2个张量作为lambda层的输入，如下所示：

def get_col_att(tensors):

    for i in range(num_samples):
        global t
        t=tf.assign(t,i)
        x = tf.nn.embedding_lookup(tensors[0], t)
        print("tensors[1]:",tensors[1])
        y = tf.nn.embedding_lookup(tensors[1], t)
        print("x shape",x.shape,"y shape",y.shape)
        ab=tf.transpose(y)

        Ecol=tf.reshape(tf.tensordot(x,ab,axes=1),[1,M,C])
        if i==0: 
            all_col_attention=tf.Variable(initial_value=Ecol)
        else:
            all_col_attention=tf.concat([all_col_attention,Ecol],0)

    print("all_col_attention",all_col_attention)
    return all_col_attention

total_alpha_sel_np=Lambda(get_col_att)([Hq,cols_last_hidden])

但是它给出了以下错误

Input 'ref' passed int32 expected ref type while building NodeDef

我发现错误在哪里，并且在下一行

all_col_attention=tf.Variable(initial_value=Ecol)

也是因为Ecol 所以我用y（2-d）以及tensor1代替了Ecol（3-d）。它适用于张量[1]，但不适用于y。以下是张量的形状

x shape (13, 80) y shape (12, 80) tf.tensordot(x,ab,axes=1) Tensor("lambda_42/Reshape:0", shape=(1, 13, 12), dtype=float32) x shape (13, 80) y shape (12, 80) tf.tensordot(x,ab,axes=1) Tensor("lambda_42/Reshape_2:0", shape=(1, 13, 12), dtype=float32) x shape (13, 80) y shape (12, 80) tf.tensordot(x,ab,axes=1) Tensor("lambda_42/Reshape_4:0", shape=(1, 13, 12), dtype=float32) all_col_attention Tensor("lambda_42/concat_1:0", shape=(3, 13, 12), dtype=float32) x shape (13, 80) y shape (12, 80) tf.tensordot(x,ab,axes=1) Tensor("lambda_42/Reshape_6:0", shape=(1, 13, 12), dtype=float32)

请帮助我：-（

Answer 1

如我所见，问题不在于张量的形状。错误在于lambda层。由于训练图和验证图，Keras的lambda层两次调用了该函数。

构造了两个图。一种训练。另一个用于验证。您不应该使用一些全局变量来保存一些内部状态。创建一个自定义层，输出两个张量。

Reference

输入'ref'在构建NodeDef时传递了int32预期的ref类型

1 个答案: