Python 保存微调的Tensorflow模型时列出索引超出范围

我正在尝试使用Tensorflow从Huggingface微调一个预先训练好的BERT模型。一切运行顺利，模型构建和训练无误。但当我试图保存模型时，它停止了，并出现错误“IndexError:list index out range”。我正在使用谷歌Colab和TPU

任何帮助都将不胜感激

代码：

错误：

---------------------------------------------------------------------------
IndexError                                Traceback (most recent call last)
<ipython-input-22-255116b49022> in <module>()
      1 SAVE_PATH = 'path/to/save/location'
----> 2 model.save(SAVE_PATH,save_format='tf')

50 frames
/usr/local/lib/python3.7/dist-packages/transformers/modeling_tf_utils.py in input_processing(func, config, input_ids, **kwargs)
    372                     output[tensor_name] = input
    373                 else:
--> 374                     output[parameter_names[i]] = input
    375             elif isinstance(input, allowed_types) or input is None:
    376                 output[parameter_names[i]] = input

IndexError: list index out of range

---------------------------------------------------------------------------
索引器回溯（最后一次最近调用）
在（）
1保存路径='PATH/to/SAVE/location'
---->2.model.save（保存路径，保存格式='tf'）
50帧
/输入处理中的usr/local/lib/python3.7/dist-packages/transformers/modeling\u tf\u utils.py（func、config、input\u id、**kwargs）
372输出[张量_名称]=输入
373其他：
-->374输出[参数名称[i]]=输入
375 elif isinstance（输入，允许的类型）或输入为None：
376输出[参数名称[i]]=输入
索引器：列表索引超出范围

使用形状绘制的模型： 问题解决了

移除两个输入层之一（即注意遮罩）解决了问题

工作代码->

import tensorflow as tf
from tensorflow.keras import activations, optimizers, losses
from transformers import TFBertModel

def create_model(max_sequence, model_name, num_labels):
    bert_model = TFBertModel.from_pretrained(model_name)
    input_ids = tf.keras.layers.Input(shape=(max_sequence,), dtype=tf.int32, name='input_ids')
    #attention_mask = tf.keras.layers.Input((max_sequence,), dtype=tf.int32, name='attention_mask')
    #output = bert_model([input_ids, attention_mask])[0]
    output = bert_model([input_ids])[0]
    output = output[:, 0, :]
    output = tf.keras.layers.Dense(num_labels, activation='sigmoid')(output)
    #model = tf.keras.models.Model(inputs=[input_ids, attention_mask], outputs=output)
    model = tf.keras.models.Model(inputs=[input_ids], outputs=output)
    return model

with strategy.scope():
  model = create_model(20, 'bert-base-uncased', 1)
  opt = optimizers.Adam(learning_rate=3e-5)
  loss = 'binary_crossentropy'
  model.compile(optimizer=opt, loss=loss, metrics=['accuracy'])

model.fit(tfdataset_train, batch_size=32, epochs=2)
SAVE_PATH = 'path/to/save/location'
model.save(SAVE_PATH)

---

解决办法是改变：

output=bert\u model（[input\u id，attention\u mask]）[0]

到

output=bert\u model.bert（[input\u id，attention\u mask]）[0]

参考：

---

我对你发布的解决方案投了赞成票，但后来我在培训时发现模型存在问题。它的收敛性不好。

谢谢！只是想强调一点：这个错误出现在我使用Tf==2.3和transformers==4.3时。这解决了问题，但是模型没有正确训练。

import tensorflow as tf
from tensorflow.keras import activations, optimizers, losses
from transformers import TFBertModel

def create_model(max_sequence, model_name, num_labels):
    bert_model = TFBertModel.from_pretrained(model_name)
    input_ids = tf.keras.layers.Input(shape=(max_sequence,), dtype=tf.int32, name='input_ids')
    #attention_mask = tf.keras.layers.Input((max_sequence,), dtype=tf.int32, name='attention_mask')
    #output = bert_model([input_ids, attention_mask])[0]
    output = bert_model([input_ids])[0]
    output = output[:, 0, :]
    output = tf.keras.layers.Dense(num_labels, activation='sigmoid')(output)
    #model = tf.keras.models.Model(inputs=[input_ids, attention_mask], outputs=output)
    model = tf.keras.models.Model(inputs=[input_ids], outputs=output)
    return model

with strategy.scope():
  model = create_model(20, 'bert-base-uncased', 1)
  opt = optimizers.Adam(learning_rate=3e-5)
  loss = 'binary_crossentropy'
  model.compile(optimizer=opt, loss=loss, metrics=['accuracy'])

model.fit(tfdataset_train, batch_size=32, epochs=2)
SAVE_PATH = 'path/to/save/location'
model.save(SAVE_PATH)