Python ValueError：模型的输出张量必须是TensorFlow`层的输出`

在遇到这个问题时，我正在Keras中使用最后一层中的一些张量流函数（reduce_sum和l2_normalize）构建一个模型。我一直在寻找一个解决方案，但所有这些都与“Keras张量”有关

这是我的密码：

import tensorflow as tf;
from tensorflow.python.keras import backend as K

vgg16_model = VGG16(weights = 'imagenet', include_top = False, input_shape = input_shape);

fire8 = extract_layer_from_model(vgg16_model, layer_name = 'block4_pool');

pool8 = MaxPooling2D((3,3), strides = (2,2), name = 'pool8')(fire8.output);

fc1 = Conv2D(64, (6,6), strides= (1, 1), padding = 'same', name = 'fc1')(pool8);

fc1 = Dropout(rate = 0.5)(fc1);

fc2 = Conv2D(3, (1, 1), strides = (1, 1), padding = 'same', name = 'fc2')(fc1);

fc2 = Activation('relu')(fc2);

fc2 = Conv2D(3, (15, 15), padding = 'valid', name = 'fc_pooling')(fc2);

fc2_norm = K.l2_normalize(fc2, axis = 3);

est = tf.reduce_sum(fc2_norm, axis = (1, 2));
est = K.l2_normalize(est);

FC_model = Model(inputs = vgg16_model.input, outputs = est);

然后是错误：

ValueError：模型的输出张量必须是 TensorFlow

层

（因此保存过去的层元数据）。发现： 张量（“l2_规范化_3:0”，形状=（？，3），数据类型=浮点32）

我注意到，在不将fc2层传递给这些函数的情况下，该模型运行良好：

FC_model = Model(inputs = vgg16_model.input, outputs = fc2);

---

有人能给我解释一下这个问题和一些解决问题的建议吗？

我找到了解决这个问题的方法。 对于遇到相同问题的任何人，都可以使用Lambda层包装tensorflow操作，我就是这么做的：

from tensorflow.python.keras.layers import Lambda;

def norm(fc2):

    fc2_norm = K.l2_normalize(fc2, axis = 3);
    illum_est = tf.reduce_sum(fc2_norm, axis = (1, 2));
    illum_est = K.l2_normalize(illum_est);

    return illum_est;

illum_est = Lambda(norm)(fc2);

---

我有这个问题是因为我在模型中的某个地方添加了两个张量作为

x1+x2

，而不是使用

Add（）（[x1，x2]）

---

这就解决了问题。

在错误地使用

连接层时遇到了相同的问题：它是
连接（）（[]）
。如果你忘记了前面的
（）
，你就会得到错误；不是添加，而是切片。