Python Tensorflow:“；不允许在“tf.Tensor”上迭代；在训练一个有多种输入的CNN时

我想制作一个CNN，它可以拍3张照片来做预测。在神经网络内部，将来自3个神经网络的预测连接起来。我很难给它正确的输入。可以轻松地复制/粘贴并运行该示例

问题出现在

call（）

方法之前，我试图将输入分离开来，将它们发送到不同的神经网络中。我尝试了多个作业，我尝试了，

zip（）

，等等

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '3'
import tensorflow as tf
from tensorflow import keras as K
import numpy as np
from functools import partial

mnist = K.datasets.cifar10.load_data()

(xtrain, ytrain), (xtest, ytest) = mnist

train_indices = np.random.randint(0, 50_000, (100_000, 3))
test_indices = np.random.randint(0, 10_000, (20_000, 3))

train_inputs = xtrain[train_indices].astype(np.float32)/255
test_inputs = xtest[test_indices].astype(np.float32)/255

train_outputs = np.array(np.sum(ytrain[train_indices], axis=1) % 2 == 0, dtype=np.int32)
test_outputs = np.array(np.sum(ytest[test_indices], axis=1) % 2 == 0, dtype=np.int32)

x = tf.data.Dataset.from_tensor_slices(train_inputs).map(lambda x: tf.expand_dims(x, 1))
y = tf.data.Dataset.from_tensor_slices(train_outputs)

train_ds = tf.data.Dataset.zip((x, y))
test_ds = tf.data.Dataset.from_tensor_slices((test_inputs, test_outputs))


class MultiInputCNN(K.Model):
    def __init__(self):
        super(MultiInputCNN, self).__init__()
        custom_net = partial(K.applications.MobileNetV2,
                             input_shape=(32, 32, 3),
                             include_top=False,
                             weights=None)

        self.net1 = custom_net()
        self.net2 = custom_net()
        self.net3 = custom_net()

        self.concat = K.layers.Concatenate()
        self.pool = K.layers.GlobalAveragePooling2D()
        self.dropout = K.layers.Dropout(.5)
        self.dense = K.layers.Dense(2)

    def call(self, inputs, training=None, **kwargs):
        x, y, z = inputs[0]
        a = self.net1(x)
        b = self.net2(y)
        c = self.net3(z)

        x = self.concat([a, b, c])
        x = self.pool(x)
        x = self.dropout(x)
        x = tf.nn.sigmoid(self.dense(x))
        return x


model = MultiInputCNN()

model(next(iter(train_ds)))

OperatorNotAllowedInGraphError:不允许在

tf上迭代。Tensor

：AutoGraph未转换此函数。尝试直接用@tf.function来装饰它

---

这是我的解决方案。。。如果我理解正确，有3个modilenet（不是1个共享权重，在这种情况下，下面的代码很容易修改）

---

这里是运行示例：（我减少n_样本以不耗尽ram）

这里是我的解决方案。。。如果我理解正确，有3个modilenet（不是1个共享权重，在这种情况下，下面的代码很容易修改）

---

这里是运行示例：（我减少了n_sample，使其不耗尽ram）

因此错误在于移动网络层指向同一个对象？我认为这不是错误，因为在我的本地机器上也可以工作。但是我更喜欢在colab上测试它，它不工作，所以我用上面的格式重写了解决方案，它没有问题。错误是移动网络层指向同一个对象？我不认为这是一个错误，因为在我的本地机器上也工作。但是我更喜欢在colab上测试它，它不工作，所以我用上面的格式重写了解决方案，它没有问题

class MultiInputCNN(K.Model):
    def __init__(self):
        super(MultiInputCNN, self).__init__()

        self.custom_net1 = K.applications.MobileNetV2(
                             input_shape=(32, 32, 3),
                             include_top=False,
                             weights=None)
        
        self.custom_net2 = K.applications.MobileNetV2(
                             input_shape=(32, 32, 3),
                             include_top=False,
                             weights=None)
  
        self.custom_net3 = K.applications.MobileNetV2(
                             input_shape=(32, 32, 3),
                             include_top=False,
                             weights=None)

        self.concat = K.layers.Concatenate()
        self.pool = K.layers.GlobalAveragePooling2D()
        self.dropout = K.layers.Dropout(.5)
        self.dense = K.layers.Dense(2)

    def call(self, inputs, training=None, **kwargs):
        x, y, z = inputs[0]
        net1 = self.custom_net1(x)
        net2 = self.custom_net2(y)
        net3 = self.custom_net3(z)

        x = self.concat([net1, net2, net3])
        x = self.pool(x)
        x = self.dropout(x)
        x = tf.nn.sigmoid(self.dense(x))
        return x


model = MultiInputCNN()

model(next(iter(train_ds)))