Python ValueError:无法将dtype资源的张量转换为NumPy数组

我试图通过参数矩阵来隔离一些特定于用户的参数，每个数组都将学习特定于该用户的参数

我想使用用户id索引矩阵，并将参数连接到其他功能

最后，使用一些完全连接的层来获得理想的结果

然而，我在代码的最后一行不断地遇到这个错误

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-1-93de3591ccf0> in <module>
     20 # combined = tf.keras.layers.Concatenate(axis=-1)([le_param, le])
     21 
---> 22 net = tf.keras.layers.Dense(128)(combined)

~/anaconda3/envs/tam-env/lib/python3.6/site-packages/tensorflow_core/python/keras/engine/base_layer.py in __call__(self, inputs, *args, **kwargs)
    793     # framework.
    794     if build_graph and base_layer_utils.needs_keras_history(inputs):
--> 795       base_layer_utils.create_keras_history(inputs)
    796 
    797     # Clear eager losses on top level model call.

~/anaconda3/envs/tam-env/lib/python3.6/site-packages/tensorflow_core/python/keras/engine/base_layer_utils.py in create_keras_history(tensors)
    182     keras_tensors: The Tensors found that came from a Keras Layer.
    183   """
--> 184   _, created_layers = _create_keras_history_helper(tensors, set(), [])
    185   return created_layers
    186 

~/anaconda3/envs/tam-env/lib/python3.6/site-packages/tensorflow_core/python/keras/engine/base_layer_utils.py in _create_keras_history_helper(tensors, processed_ops, created_layers)
    229               constants[i] = backend.function([], op_input)([])
    230       processed_ops, created_layers = _create_keras_history_helper(
--> 231           layer_inputs, processed_ops, created_layers)
    232       name = op.name
    233       node_def = op.node_def.SerializeToString()

~/anaconda3/envs/tam-env/lib/python3.6/site-packages/tensorflow_core/python/keras/engine/base_layer_utils.py in _create_keras_history_helper(tensors, processed_ops, created_layers)
    229               constants[i] = backend.function([], op_input)([])
    230       processed_ops, created_layers = _create_keras_history_helper(
--> 231           layer_inputs, processed_ops, created_layers)
    232       name = op.name
    233       node_def = op.node_def.SerializeToString()

~/anaconda3/envs/tam-env/lib/python3.6/site-packages/tensorflow_core/python/keras/engine/base_layer_utils.py in _create_keras_history_helper(tensors, processed_ops, created_layers)
    227           else:
    228             with ops.init_scope():
--> 229               constants[i] = backend.function([], op_input)([])
    230       processed_ops, created_layers = _create_keras_history_helper(
    231           layer_inputs, processed_ops, created_layers)

~/anaconda3/envs/tam-env/lib/python3.6/site-packages/tensorflow_core/python/keras/backend.py in __call__(self, inputs)
   3746     return nest.pack_sequence_as(
   3747         self._outputs_structure,
-> 3748         [x._numpy() for x in outputs],  # pylint: disable=protected-access
   3749         expand_composites=True)
   3750 

~/anaconda3/envs/tam-env/lib/python3.6/site-packages/tensorflow_core/python/keras/backend.py in <listcomp>(.0)
   3746     return nest.pack_sequence_as(
   3747         self._outputs_structure,
-> 3748         [x._numpy() for x in outputs],  # pylint: disable=protected-access
   3749         expand_composites=True)
   3750 

ValueError: Cannot convert a Tensor of dtype resource to a NumPy array.

我尝试过的事情很少：

我尝试使用tf.keras.layers.Lambda来封装tf.gather\n和tf.concat

我尝试用tf.keras.layers.Concatenate替换tf.concat

奇怪的是，如果我指定项目的数量并用tf.Variable替换输入，代码将按预期工作：

import tensorflow as tf

num_uids = 50
input_uid = tf.Variable(tf.ones((32, 1), dtype=tf.int32))
params = tf.Variable(tf.random.normal((num_uids, 9)), trainable=True)

param = tf.gather_nd(params, input_uid)

input_shared_features = tf.Variable(tf.ones((32, 128), dtype=tf.float32))
combined = tf.concat([param, input_shared_features], axis=-1)

net = tf.keras.layers.Dense(128)(combined)

---

我将Tensorflow 2.1与Python 3.6.10结合使用，在Tensorflow 2.x中尝试使用Tensorflow表查找（

tf.lookup.StaticHashTable

）时，我遇到了类似的问题。最后我把它放在一个盒子里解决了。同样的解决方案似乎也适用于这个问题，至少直到问题中提到的版本。（我尝试使用TensorFlow 2.0、2.1和2.2，在所有这些版本中都能正常工作。）

将tensorflow导入为tf
num_uids=50
input\u uid=tf.keras.input（shape=（1），dtype=tf.int32）
input\u shared\u features=tf.keras.layers.input（shape=（128，），dtype=tf.float32）
类CustomLayer（tf.keras.layers.Layer）：
定义初始化（self，num\u uids）：
super（CustomLayer，self）。\uuuu init\uuuu（trainable=True，dtype=tf.int64）
self.num\u uids=num\u uids
def构建（自我，输入_形状）：
self.params=tf.Variable（tf.random.normal（（num_uids，9）），trainable=True）
自建=真实
def调用（自我、输入uid、输入共享功能）：
param=tf.gather\u nd（self.params，input\u uid）
combined=tf.concat（[param，input\u shared\u features]，axis=-1）
合并收益
def get_配置（自身）：
config=super（CustomLayer，self）.get\u config（）
config.update（{'num\u uids'：self.num\u uids}）
返回配置
组合=自定义图层（num\u uid）（输入uid，输入共享功能）
净=tf.keras.layers.Dense（128）（合并）
model=tf.keras.model（inputs={'input'uid'：input'uid，'input\u shared\u features'：input\u shared\u features}，outputs=net）
model.summary（）

下面是模型摘要的样子：

Model: "model"
__________________________________________________________________________________________________
Layer (type)                    Output Shape         Param #     Connected to                     
==================================================================================================
input_1 (InputLayer)            [(None, 1)]          0                                            
__________________________________________________________________________________________________
input_2 (InputLayer)            [(None, 128)]        0                                            
__________________________________________________________________________________________________
custom_layer (CustomLayer)      (None, 137)          450         input_1[0][0]                    
__________________________________________________________________________________________________
dense (Dense)                   (None, 128)          17664       custom_layer[0][0]               
==================================================================================================
Total params: 18,114
Trainable params: 18,114
Non-trainable params: 0

有关更多信息，请参阅

如果您想参考表格查找问题和解决方案，请参阅以下链接：

---

虽然吉钦·吉斯的答案非常清楚，但下面显示的是一种使用

串联操作的稍微不同的解决方法：

import tensorflow as tf

num_uids = 50
#input_uid = tf.keras.layers.Input(shape=(1,), dtype=tf.int32, batch_size = 32)
#input_uid = tf.keras.layers.Input(shape=(1,), dtype=tf.int32)
#params = tf.Variable(tf.random.normal((num_uids, 9)), trainable=True)

#param = tf.gather_nd(params, input_uid)

indices = tf.keras.layers.Input(name='indices', shape=(), dtype='int32')
params = tf.Variable(params)

class GatherLayer(tf.keras.layers.Layer):
    def call(self, indices, params):
        return tf.gather(params, indices)

output = GatherLayer()(indices, params)

#input_shared_features = tf.keras.layers.Input(shape=(128,), dtype=tf.float32, batch_size = 32)
input_shared_features = tf.keras.layers.Input(shape=(128,), dtype=tf.float32)
combined = tf.concat([output, input_shared_features], axis=-1)

net = tf.keras.layers.Dense(128)(combined)

有关更多详细信息，请参阅此。
组合的

输入的形状是什么？组合的是：@Gabe，我为此提出了一个Github问题。欢迎来到堆栈溢出！这是一篇非常好的第一篇文章。感谢您对本书给予如此多的关注和细节。感谢@JeremyCaney为您的鼓励性话语和整理答案。我希望我将来能为社会做出更大的贡献：）

import tensorflow as tf

num_uids = 50
#input_uid = tf.keras.layers.Input(shape=(1,), dtype=tf.int32, batch_size = 32)
#input_uid = tf.keras.layers.Input(shape=(1,), dtype=tf.int32)
#params = tf.Variable(tf.random.normal((num_uids, 9)), trainable=True)

#param = tf.gather_nd(params, input_uid)

indices = tf.keras.layers.Input(name='indices', shape=(), dtype='int32')
params = tf.Variable(params)

class GatherLayer(tf.keras.layers.Layer):
    def call(self, indices, params):
        return tf.gather(params, indices)

output = GatherLayer()(indices, params)

#input_shared_features = tf.keras.layers.Input(shape=(128,), dtype=tf.float32, batch_size = 32)
input_shared_features = tf.keras.layers.Input(shape=(128,), dtype=tf.float32)
combined = tf.concat([output, input_shared_features], axis=-1)

net = tf.keras.layers.Dense(128)(combined)