Question

我构建的model_fn自定义估算器如下所示，

def _model_fn(features, labels, mode):
      """
        Mask RCNN Model function
      """
      self.keras_model = self.build_graph(mode, config)

      outputs = self.keras_model(features) # ERROR STATEMENT
      # outputs = self.keras_model(list(features.values())) # Same ERROR with this statement

      # Predictions
      if mode == tf.estimator.ModeKeys.PREDICT:
        ... # Defining Prediction Spec

      # Training
      if mode == tf.estimator.ModeKeys.TRAIN:
        # Defining Loss and Training Spec
        ...

      # Evaluation
      ...

_model_fn()以以下形式从features接收参数labels和tf.data：

features = {
'a' : (batch_size, h, w, 3) # dtype: float
'b' : (batch_size, n) # # dtype: float
}
# And
labels = []

self.keras_model是使用 tensorflow.keras.models.Model API构建的，其API具有名称tensorflow.keras.layers.Input()和{{1}的输入占位符（使用层'a'定义） }。

使用'b'运行估算器后，train_and_evaluate()运行正常。该图已初始化，但是当训练开始时，我面临以下问题：

tensorflow.python.framework.errors_impl.InvalidArgumentError：您必须用dtype float和shape输入占位符张量'a'的值 [？，128,128,3] [[{{{node a}}]]

之前，我曾与自定义估算器合作，这是第一次使用_model_fn内部的 tensorflow.keras.models.Model API计算图。

Answer 1

仅此特定模型（Mask-RCNN）会出现此问题。为解决此问题，可以在方法self.build_graph(mode, config)中进行如下修改：

def build_graph(mode, config):
    # For Input placeholder definition
    a = KL.Input(tensor=features['a'])
    # Earlier
    # a = KL.Input(shape=[batch_size, h, w, 3], name='a')

    b = KL.Input(tensor=features['b'])
    # Earlier
    # b = KL.Input(shape=[batch_size, n], name='b')
    ...
    ...

这些修改将特征张量直接包装到tensorflow.keras.layers.Input()中。稍后可在使用tensorflow.keras.models.Model定义模型时将其用于定义输入参数。

在估算器model_fn中使用keras模型API时出现无效的参数错误

1 个答案: