Python 如何处理KerasTensor和Tensor？

我正在尝试创建可变自动编码器，这意味着我需要自定义损失函数。问题是，在损失函数中，我有两种不同的损失——均方误差和散度。mse是张量，散度是KerasTensor（因为色散和μ，我从编码器中取出）。我会犯这样的错误：

TypeError:无法将符号Keras输入/输出转换为numpy 数组。此错误可能表示您正在尝试传递符号 值设置为NumPy调用，这是不受支持的。或者，你可能正在尝试 将Keras符号输入/输出传递给不需要 注册分派，防止Keras自动转换 对函数模型中lambda层的API调用

这就是我的架构：

import tensorflow.keras as keras
from keras.layers import Input, Dense, Flatten, Reshape
from keras.layers import Conv2D, MaxPooling2D, UpSampling2D, Conv2DTranspose
from keras.models import Model
import tensorflow as tf
import keras.backend as K


encoded_dim = 2

class Sampling(keras.layers.Layer):
    """Uses (z_mean, z_log_var) to sample z, the vector encoding a digit."""

    def call(self, inputs):
        z_mean, z_log_var = inputs
        batch = tf.shape(z_mean)[0]
        dim = tf.shape(z_mean)[1]
        epsilon = K.random_normal(shape=(batch, dim))
        return z_mean + tf.exp(0.5 * z_log_var) * epsilon


img = Input((28,28,1), name='img')

x = Conv2D(32, (3,3), padding='same', activation='relu')(img)
x = MaxPooling2D()(x)
x = Conv2D(64, (3,3), padding='same', activation='relu')(x)
x = MaxPooling2D()(x)
x = Flatten()(x)
x = Dense(16, activation='relu')(x)
mu = Dense(encoded_dim, name='mu')(x)
sigma = Dense(encoded_dim, name='sigma')(x)
z = Sampling()([mu,sigma])
# print(mu)
xx = Input((encoded_dim,))

x = Dense(7*7*64, activation='relu')(xx)
x = Reshape((7,7,64))(x)

x = Conv2DTranspose(64, 3, activation="relu", strides=2, padding="same")(x)
x = Conv2DTranspose(32, 3, activation="relu", strides=2, padding="same")(x)

out = Conv2DTranspose(1, 3, activation="sigmoid", padding="same")(x)

encoder = Model(img,z, name='encoder')
decoder = Model(xx,out,name='decoder')

autoencoder = Model(img,decoder(encoder(img)),name='autoencoder')

损失函数：

def vae_loss(x, y):
    loss = tf.reduce_mean(K.square(x-y))
    kl_loss = -0.5 * tf.reduce_mean(1 + sigma - tf.square(mu) - tf.exp(sigma))
    print(type(loss))
    print(type(kl_loss))
    return loss + kl_loss

autoencoder.compile(optimizer='adam',
                    loss = vae_loss)

autoencoder.fit(train,train,
                epochs=1,
                batch_size=60,
                shuffle=True,
                verbose = 2)

损失和lk_损失的类型：

类“tensorflow.python.framework.ops.Tensor”

类“tensorflow.python.keras.engine.keras\u tensor.KerasTensor”

---

您需要将

mu

和

sigma

传递给损失函数<代码>vae_损耗现在接受4个输入：

def vae_loss(x, y, mu, sigma):
    loss = tf.reduce_mean(K.square(x-y))
    kl_loss = -0.5 * tf.reduce_mean(1 + sigma - tf.square(mu) - tf.exp(sigma))
    return loss + kl_loss

您只需使用

自动编码器即可在模型中使用它。添加\u loss

同样重要的是，

encoder

不仅返回

z

，还返回

mu

和

sigma

z, mu, sigma = encoder(img)
out = decoder(z)
autoencoder = Model(img, out, name='autoencoder')
autoencoder.add_loss(vae_loss(img, out, mu, sigma))  # <======= add_loss
autoencoder.compile(loss=None, optimizer='adam')

z，mu，sigma=编码器（img）
out=解码器（z）
自动编码器=型号（img，out，name='autoencoder'）
自动编码器。添加损耗（vae损耗（img、out、mu、sigma））#