Python Keras'中的错误；与常数非张量数相加或相乘时的lambda层

我尝试自定义设计一个网络体系结构，我可以有一个层，如下所示：

x = k.Input(shape=(1,))
y = k.layers.Dense(1)(x + 1)  #k.backend.constant(1) -- no difference
Fx = k.models.Model(x, y)

虽然“x+1”是正确的Tensorflow操作，但我得到了非类型错误：

AttributeError:“非类型”对象没有属性“\u入站节点”

当我试图使用Lambda层来避免这种情况时，我得到了相同的错误：

x = k.Input(shape=(1,))
xx = k.layers.Lambda(lambda x: x[0] + x[1])(
    [x, k.backend.constant(1, shape=(1,1))]
)
y = k.layers.Dense(1)(xx)
Fx = k.models.Model(x, y)

但是，我可以通过以下方式解决此问题：

x = k.Input(shape=(1,))
xx = k.layers.Lambda(lambda x: x[0]+1)([x, x])
y = k.layers.Dense(1)(xx)
Fx = k.models.Model(x, y)

因为Tensor+（int或float）是合法的Tensorflow操作

---

我是在定义Lambda层时犯了错误还是这是Keras端的一个bug

我不知道你为什么从

x+1

到

x[0]+1

如果您只想在通过密集层之前向

x

中的元素添加1，则可以像下面这样应用lambda层：

x=k.Input（shape=（1，））
xx=k.layers.Lambda（Lambda x:x+1）（x）
y=k.层密（1）（xx）
Fx=k.models.Model（x，y）
y=k.layers.densed（1）（x+1）
不正确的原因是+1是有效的张量运算。根据Keras层定义的Keras模型；不是张量。因此您需要使用
x\u p=Lambda（Lambda x:x+1）（x）
。
后者是指定所需操作的正确方法

i、 lambda x:x+1是对张量的操作，而lambda（）实例化一个层。层是Keras跟踪层/图形构造之间的依赖关系等的方式。例如，当Keras构建图形，然后计算输出形状时，lambda层将知道其输入形状的格式。在您的情况下，形状是相似的，但例如，您可以使用执行张量切片操作的lambda函数并更改输出形状。
您是对的！最初我是用keras.layers.Add进行测试的，它需要一个至少包含两个项目的列表作为输入。感谢您的评论，非常有用！