Google colaboratory 在谷歌Colab上为TPU屏蔽R-CNN

我们正在尝试使用Google Colab TPU构建一个图像分割深度学习模型。我们的模型是R-CNN

TPU_WORKER = 'grpc://' + os.environ['COLAB_TPU_ADDR']

import tensorflow as tf
tpu_model = tf.contrib.tpu.keras_to_tpu_model(
model.keras_model,
strategy=tf.contrib.tpu.TPUDistributionStrategy(
tf.contrib.cluster_resolver.TPUClusterResolver(TPU_WORKER)))

然而，我在将我们的Mask R-CNN模型转换为TPU模型时遇到了问题，如下所示

ValueError: 
Layer <keras.engine.topology.InputLayer object at 0x7f58574f1940> has a 
variable shape in a non-batch dimension.  TPU models must
have constant shapes for all operations.

You may have to specify `input_length` for RNN/TimeDistributed layers.

Layer: <keras.engine.topology.InputLayer object at 0x7f58574f1940>
Input shape: (None, None, None, 3)
Output shape: (None, None, None, 3)

ValueError：
图层有一个
非批次维度中的可变形状。TPU模型必须
所有操作都具有恒定的形状。
您可能必须为RNN/TimeDistributed层指定“输入长度”。
图层：
输入形状：（无，无，无，3）
输出形状：（无，无，无，3）

---

非常感谢您的帮助。

您能分享一下输入数据功能吗。很难说出确切的问题，但表示输入样本的张量的形状似乎不是静态的

谷歌最近发布了。为此，他们在谷歌的TPU github存储库中使用了Mask RCNN的实验模型（下）。通过查看，看起来他们使用固定的输入大小来定义模型，以克服您看到的问题

有关更多说明，请参见下文：

正如@aman2930所指出的，输入张量的形状不是静态的。这将不起作用，因为Tensorflow和XLA必须具有在编译时定义的所有张量形状。在上面的链接中，该网站特别指出：

静态形状

在常规使用期间，TensorFlow试图在图形构造期间确定每个tf.张量的形状。在期间 执行任何未知形状尺寸都是动态确定的，请参见 张量形状，了解更多细节

使用XLA编译Cloud TPUs TensorFlow模型。XLA 使用类似的系统在编译时确定形状。XLA 要求在编译时静态定义所有张量维度 时间所有形状都必须计算为常数，而不是依赖于 外部数据，或变量或随机变量等有状态操作 数字发生器

这一点，在文档的下面，他们提到输入函数是在CPU上运行的，所以不受静态XLA大小的限制。他们指出批量大小是问题所在，而不是图像大小：

静态形状和批量大小

您的应用程序生成的输入管道 输入\u fn在CPU上运行。因此，它基本上不受严格的静态约束 XLA/TPU环境施加的形状要求。那个 要求是从您的输入管道馈送的成批数据 根据标准确定，TPU具有静态形状 TensorFlow形状推断算法。中间张量是自由的 有一个动态的形状。如果形状推断失败，但形状为 已知可以使用tf.set_shape（）施加正确的形状

---

因此，您可以通过重新设置模型，使其具有固定的批量大小或按照他们的建议使用来解决此问题。

Hmm，从您共享的代码片段中进行诊断有点困难。你能分享一个复制该问题的Colab笔记本的链接吗？