Python &引用；层未连接，没有要返回的输入；尝试使用tensorflow自定义回调获取中间层预测时出错

我尝试在训练期间使用自定义回调访问模型中间层的预测。下面的实际代码的精简版本演示了这个问题

import tensorflow as tf
import numpy as np

class Model(tf.keras.Model):
    def __init__(self, input_shape=None, name="cus_model", **kwargs):
        super(Model, self).__init__(name=name, **kwargs)
        
    def build(self, input_shape):
        self.dense1 = tf.keras.layers.Dense(input_shape=input_shape, units=32)
        
    def call(self, input_tensor):
        return self.dense1(input_tensor)

class CustomCallback(tf.keras.callbacks.Callback):
    def on_epoch_end(self, epoch, logs=None):
        get_output = tf.keras.backend.function(
            inputs = self.model.layers[0].input,
            outputs = self.model.layers[0].output
        )
        print("Layer output: ",get_output.outputs)

X = np.ones((8,16))
y = np.sum(X, axis=1)

model = Model()
model.compile(optimizer='adam',loss='mean_squared_error', metrics='accuracy')
model.fit(X,y, epochs=8, callbacks=[CustomCallback()])

回调是按照本文中的建议编写的。获取以下错误：

<ipython-input-3-635fd53dbffc> in on_epoch_end(self, epoch, logs)
     12     def on_epoch_end(self, epoch, logs=None):
     13         get_output = tf.keras.backend.function(
---> 14             inputs = self.model.layers[0].input,
     15             outputs = self.model.layers[0].output
     16         )
.
.
AttributeError: Layer dense is not connected, no input to return.

in on_epoch_end（self、epoch、logs）
12个def在epoch结束时（self、epoch、logs=None）：
13 get_output=tf.keras.backend.function(
--->14输入=self.model.layers[0]。输入，
15个输出=self.model.layers[0]。输出
16         )
.
.
AttributeError:层未连接，没有要返回的输入。

---

这是什么原因造成的？如何解决此问题？

我运行此命令没有问题：

import tensorflow as tf
import numpy as np

X = np.ones((8,16))
y = np.sum(X, axis=1)


class CustomCallback(tf.keras.callbacks.Callback):
    def on_epoch_end(self, epoch, logs=None):
        get_output = tf.keras.backend.function(
            inputs = self.model.layers[0].input,
            outputs = self.model.layers[1].output # return output of first dense
        )
        print("\nLayer output: ", get_output(X))


inp = tf.keras.layers.Input((16,))
dense1 = tf.keras.layers.Dense(units=32)(inp)
dense2 = tf.keras.layers.Dense(units=20)(dense1)
model = tf.keras.Model(inp, dense2)

model.compile(optimizer='adam',loss='mean_squared_error', metrics='accuracy')
model.fit(X,y, epochs=8, callbacks=[CustomCallback()])

---

我也无法获取

self.layers[0]。由于相同的错误，输入

，但是您可以直接调用

Model

中定义的函数，如下所示：

class Model(tf.keras.Model):
    def __init__(self, input_shape=None, name="cus_model", **kwargs):
        super(Model, self).__init__(name=name, **kwargs)
        if not input_shape:
            input_shape = (10,)
        self.dense1 = tf.keras.layers.Dense(input_shape=input_shape, units=32)
        self.dev_dataset = np.ones((8,16))

    def call(self, input_tensor):
        return self.dense1(input_tensor)


class CustomCallback(tf.keras.callbacks.Callback):
    def on_epoch_end(self, epoch, logs=None):
        self.model.call(self.model.dev_dataset)


X = np.ones((8,16))
y = np.sum(X, axis=1)

model = Model()
model.compile(optimizer='adam',loss='mean_squared_error', metrics='accuracy')
model.fit(X,y, epochs=1, callbacks=[CustomCallback()])

---

我猜函数API和子类化

tf.keras.Model

之间有一些区别。重写

密集的
也是必要的。至少，它现在起作用了。任何知道原因的人请解释

将tensorflow导入为tf
将numpy作为np导入
类别模型（tf.keras.Model）：
定义初始化（self，输入=None，name=“cus_model”，**kwargs）：
超级（模型，自我）。\uuuuu初始（名称=名称，**kwargs）
自我输入=输入
自输出尺寸=8
def构建（自我，输入_形状）：
#tf.keras.layers.Dense（输入形状=输入形状，单位=32）
self.dense1=self.add_weight（name='weight'u vector'，shape=（input_shape[1]，self.output_dim），
初始值设定项class='glorot_uniform'，可训练=True，
正则化器=无）
def调用（自、输入张量）：
返回tf.matmul（self.dense1，输入张量）
类CustomCallback（tf.keras.callbacks.Callback）：
def on_epoch_end（self、epoch、logs=None）：
get_output=tf.keras.backend.function(
输入=self.model.layers[0]。输入，
输出=self.model.layers[0]。输出
)
打印（“图层输出：”，获取输出。输出）
X=np.一（（10,8,16））
y=np.和（X，轴=1）
打印（X形、y形）
inp=tf.keras.layers.inp输入（（8,16））
模型=模型（inp）
#compile（优化器='adam'，loss='mean_squared_error'，metrics='accurity'）
#fit（X，y，epochs=8，callbacks=[CustomCallback（）]）
优化器=tf.keras.optimizers.Adam（学习率=0.001）
loss\u fn=tf.keras.loss.BinaryCrossentropy（from\u logits=False）
对于范围内的i（X.shape[0]）：
使用tf.GradientTape（）作为磁带：
out=模型（X[i，：]）
label=tf.cast（y[i]，dtype=tf.float32）
损耗=损耗\u fn（标签，外）
梯度=胶带.梯度（损失，模型.可训练重量）
优化器。应用梯度（zip（梯度、模型、可训练的权重））
打印（“步骤：，i，“丢失：，loss.numpy（））
由@Marco Cerliani提出的功能性方法似乎很好，但我想知道问题中提出的子分类方法有什么问题。