AttributeError:图层没有入站节点,或者AttributeError:图层从未被调用

时间:2019-01-15 07:01:03

标签: python tensorflow keras

我需要一种方法来获取TensorFlow中任何类型的层(即Dense,Conv2D等)的输出张量的形状。根据文档,有output_shape属性可以解决此问题。但是,每次访问它都会得到AttributedError

以下是显示问题的代码示例:

import numpy as np
import tensorflow as tf


x = np.arange(0, 8, dtype=np.float32).reshape((1, 8))
x = tf.constant(value=x, dtype=tf.float32, verify_shape=True)

dense = tf.layers.Dense(units=2)

out = dense(x)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    res = sess.run(fetches=out)
    print(res)
    print(dense.output_shape)

print(dense.output_shape)语句将产生错误消息:

AttributeError: The layer has never been called and thus has no defined output shape.

print(dense.output)将产生:

AttributeError('Layer ' + self.name + ' has no inbound nodes.')
AttributeError: Layer dense_1 has no inbound nodes.

有什么办法可以解决该错误?

PS: 我知道在上面的示例中,我可以通过out.get_shape()获得输出张量的形状。但是我想知道为什么output_shape属性不起作用以及如何解决?

1 个答案:

答案 0 :(得分:3)

TL; DR

如何解决?定义输入层:

x = tf.keras.layers.Input(tensor=tf.ones(shape=(1, 8)))
dense = tf.layers.Dense(units=2)

out = dense(x)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    res = sess.run(fetches=out)
    print(dense.output_shape) # shape = (1, 2)

对Keras documentation的协定,如果层具有单个节点,则可以通过以下方式获取其输入张量,输出张量,输入形状和输出形状:

  • layer.input
  • layer.output
  • layer.input_shape
  • layer.output_shape

但是在上面的示例中,当我们调用layer.output_shape或其他属性时,它将引发似乎有些奇怪的异常。

如果我们深入研究source code,则该错误由入站节点引起。

if not self._inbound_nodes:
  raise AttributeError('The layer has never been called '
                       'and thus has no defined output shape.')

这些inbound nodes是什么?

  

节点描述了两层之间的连通性。每次将图层连接到一些新输入时,    将一个节点添加到 layer._inbound_nodes 。    每当一个层的输出被另一个层使用时,    将节点添加到 layer._outbound_nodes

如上所示,当self._inbounds_nodes为None时,它将引发异常。这意味着,当一层未连接到输入层或更普遍时,先前的所有层都未连接到输入层,self._inbounds_nodes为空,这导致了问题。

请注意,示例中的x是张量而不是输入层。请参阅另一个示例以获取更多说明:

x = tf.keras.layers.Input(shape=(8,))
dense = tf.layers.Dense(units=2)

out = dense(x)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    res = sess.run(fetches=out, feed_dict={x: np.ones(shape=(1, 8))})
    print(res)
    print(res.shape)  # shape = (1,2)
    print(dense.output_shape)  # shape = (None,2)

这很好,因为定义了输入层。


请注意,在您的示例中,out是张量。 tf.shape()函数和.shape =(get_shape())之间的区别是:

  

tf.shape(x)返回表示动态的一维整数张量   x的形状。动态形状只有在图形执行时才能知道。

     

x.shape返回代表静态的Python元组   x的形状。在图形定义时已知的静态形状。

在以下位置了解有关张量形状的更多信息:https://pgaleone.eu/tensorflow/2018/07/28/understanding-tensorflow-tensors-shape-static-dynamic/