Python 属性错误：'；稀疏分类交叉熵'；对象没有属性'_id'；

我一直在尝试使用基本Keras层重新创建一个简单的DNN，并从头开始编写所有内容。一切似乎都很好，但在训练循环中，我遇到了以下错误：

AttributeError:'SparseCategoricalCrossentropy'对象没有属性'\u id'

我尝试将损失函数更改为CategoricalCrossentropy和SparseCategoricalCrossentropy（from_logits True或False），但错误总是会弹出

代码如下：

将numpy导入为np
导入tensorflow作为tf
从tensorflow进口keras
从utils导入绘图图像、绘图列表结果、绘图值数组
类展平（keras.layers.Layer）：
定义初始化（自）：
超级（变平，自我）。\uuuu初始化
def构建（自我，输入_形状）：
self.output\u size=np.prod（input\u shape）
def呼叫（自我，X）：
返回tf.reshape（X，shape=（-1，self.output\u size））
密实级（keras.层.层）：
定义初始（自身、单位、激活）：
超（稠密，自）密度
self.units=单位
自我激活
def构建（自我，输入_形状）：
self.kernel=self.add\u weight(
name='kernel'，
dtype=tf.64，
初始值设定项='glorot_normal'，
可训练的，
形状=（输入形状[-1]，自身单位）
)
self.bias=self.add\u权重(
name='bias'，
dtype=tf.64，
初始值设定项=keras.初始值设定项.常数（0.1），
可训练的，
形状=（1，自我单位）
)
def呼叫（自我，X）：
返回self.activation（tf.matmul（X，self.kernel）+self.bias）
DNN类（keras.models.Model）：
定义初始（自身、单位、激活）：
超级（DNN，self）。\uuuuu init\uuuuuu（）
self.units=单位
自我激活
def构建（自我，输入_形状）：
self.flatte=flatte（）
self.hidden_层=密集（self.units，tf.nn.relu）
self.output_layer=密集（10，tf.nn.softmax）
def呼叫（自我，X）：
打印（自隐藏层（自展平（X））.shape）
打印（self.output_layer（self.hidden_layer（self.flatten（X））））.shape）
返回self.output\u层（self.hidden\u层（self.flatten（X）））
#@tf.function
def系列（型号、损耗、选装件、X、y）：
使用tf.GradientTape（）作为磁带：
梯度=磁带梯度（损失（模型（X），y），模型可训练变量）
梯度变量=zip（梯度、模型、可训练的梯度变量）
选择应用梯度（梯度变量）
mnist=keras.datasets.mnist
（列车图像，列车标签），（测试图像，测试标签）=mnist.load\u data（）
列车图像=列车图像/255.0
测试图像=测试图像/255.0
型号=DNN（单位=128，激活=tf.nn.relu）
opt=tf.optimizers.Adam（学习率=1e-3）
对于范围（3）中的历元：
对于步进范围（列标签形状[0]）：
损失=keras.loss.SparseCategoric交叉熵
列车（型号、损耗、opt、列车图像[步骤、：，：]，列车标签[步骤]）
列车损耗=损耗（型号（列车图像）、列车标签）
模板='Epoch{}，列车损失：{:.5f}'
打印（template.format（epoch+1，train\u loss.numpy（））

---

我希望模型能够成功训练，但事实似乎并非如此。我做错了什么？

从给定的代码中，我可以看到您在下面给出的地方混合使用tf和keras

opt = tf.optimizers.Adam(learning_rate=1e-3)

loss = keras.losses.SparseCategoricalCrossentropy

这可能会引发这样的问题。对于TensorFlow 2.0，您可以在所有直接使用keras的地方统一使用tf.keras

我还可以发现，您正在批处理循环中实例化loss对象。这是不正确的。您必须在开始epoch循环的顶部实例化

一切似乎都很好。希望这有帮助