如何使用Tensorflow张量设置Keras层的输入？

在我的示例中，我使用Keras'

Layer.set_input（）

将Tensorflow预处理输出张量连接到Keras模型的输入。但是，在Keras版本

1.1.1

之后

如何在较新的Keras版本中实现这一点

示例：

# Tensorflow pre-processing
raw_input = tf.placeholder(tf.string)
### some TF operations on raw_input ###
tf_embedding_input = ...    # pre-processing output tensor

# Keras model
model = Sequential()
e = Embedding(max_features, 128, input_length=maxlen)

### THIS DOESN'T WORK ANYMORE ###
e.set_input(tf_embedding_input)
################################

model.add(e)
model.add(LSTM(128, activation='sigmoid'))
model.add(Dense(num_classes, activation='softmax'))

---

完成预处理后，可以通过调用

input

的

tensor

param来添加张量作为输入层

因此，在你的情况下：

tf_embedding_input = ...    # pre-processing output tensor

# Keras model
model = Sequential()
model.add(Input(tensor=tf_embedding_input)) 
model.add(Embedding(max_features, 128, input_length=maxlen))

---

在这一行

model.add（Input（tensor=tf\u embedding\u Input））

上，引发了以下错误：

TypeError：添加的层必须是类层的实例。找到：张量（“tf\u嵌入\u输入：0”，shape=（？，23），dtype=int64）

。我通过将行更改为

model.add（InputLayer（input\u tensor=embedded\u input））

解决了这个问题。谢谢你给我指出了正确的方向！没问题，我通常使用功能性

模型

，而不是

顺序

，在

输入

起作用的地方，但很高兴您在您的末端修复了它。是的，我以前使用过功能性

模型

，并在

输入

层之后的

Lambda层中包装了预处理：
Lambda（preprocess_func，…）
。我可以假设，实际上，这实现了同样的效果吗？事实上，我在回答中也提出了同样的建议。但后来我看到你正在为string
tf.placeholder（tf.string）
创建一个占位符。由于我没有处理NLP，我不确定它是否会与keras一起使用