Tensorflow TFF:ValueError检查模型目标时出错

我想用tensorflow federated实现一个图像分类代码，所以当我创建模型并将其传递给federated averaging process时，我发现了我无法理解的错误。下面是我用TFF实现的代码的一部分

input_shape=（224,3）
def create_编译的_keras_模型（输入_形状，base_model='resnet18'）：
输入=tf.keras.layers.Input（形状=（输入形状））
基本编码器=tf.keras.applications.ResNet50(
包括_top=False，权重=None，输入_tensor=None，
输入（shape=None，pooling='avg'）
基本编码器训练=真
h=基本编码器（输入）
x=tf.keras.layers.致密（2）（h）
x=tf.keras.layers.Activation（'relu'）（x）
x=tf.keras.layers.致密（2）（x）
model=tf.keras.model（输入=输入，输出=[h，x]）
model.compile(
优化器=tf.keras.optimizers.SGD（学习率=0.001），
损失=tf.keras.loss.CategoricalCrossentropy（），
metrics=[tf.keras.metrics.CategoricalAccuracy（）]）
回归模型
def型号_fn（）：
keras\u模型=创建\u编译的\u keras\u模型（输入\u形状，基本\u模型='resnet18'）
返回tff.learning.from_编译的keras_模型（keras_模型，样本批次）
迭代过程=tff.learning.build联合平均过程（模型=fn，服务器=fn=lambda:tf.keras.optimizers.SGD（学习率=1.0），客户机=None）

错误是：

ValueError: Error when checking model target: the list of Numpy arrays that you are passing to your model is not the size the model expected. Expected to see 2 array(s), for inputs ['resnet50', 'dense_1'] but instead got the following list of 1 arrays: [<tf.Tensor 'Const_1:0' shape=(2, 2) dtype=float32>]...

ValueError:检查模型目标时出错：传递给模型的Numpy数组列表的大小不是模型预期的大小。预计将看到2个数组，用于输入['resnet50'，'densite_1']，但得到了以下1个数组的列表：[。。。

---

谢谢你的帮助

如果直接在

样本批

上调用模型，例如

创建已编译的keras模型（）。在样本批（样本批）上测试，是否会发生错误？由于模型由两个输出构成，因此代码需要确保
sample\u batch
有两个标签。是的，你是对的，那么解决方案是什么？我必须改变模型的输出，知道h是base_编码器，x是投影头？如果问题扩展到解释预期的模型架构，这将有所帮助。图像分类可以在不向输出中添加编码器的情况下实现，但这就是目标吗？在这种情况下，输入数据必须包含
h
和
x
的训练目标，如果使用的是MNIST数据集，则可能只有
x
的标签存在。是否可以简单地从输出中删除
h
？如果直接在
sample\u batch
上调用模型，例如
create\u compiled\u keras\u model（）？由于模型由两个输出构成，因此代码需要确保
sample\u batch
有两个标签。是的，你是对的，那么解决方案是什么？我必须改变模型的输出，知道h是base_编码器，x是投影头？如果问题扩展到解释预期的模型架构，这将有所帮助。图像分类可以在不向输出中添加编码器的情况下实现，但这就是目标吗？在这种情况下，输入数据必须包含
h
和
x
的训练目标，如果使用的是MNIST数据集，则可能只有
x
的标签存在。是否可以简单地从输出中删除
h
？