Tensorflow 自定义Keras层的未定义输出形状

我正在编写一个自定义Keras层，它将除输入的最后一个维度外的所有维度都展平。但是，当将层的输出馈送到下一层时，会发生错误，因为层的输出形状在所有维度上都是

None

类展平层（层）：
"""
采用nD张量展平中间尺寸，忽略边缘尺寸。
[n，x，y，z]->[n，xy，z]
"""
定义初始（自我，**kwargs）：
超级（扁平层，自）.\uuuu初始化（**kwargs）
def构建（自我，输入_形状）：
超级（扁平层，自我）。构建（输入形状）
def呼叫（自我，输入）：
输入形状=tf.形状（输入）
扁平=tf。重塑(
投入，
tf.stack（[
-1, 
K.prod（输入_形[1:-1]），
输入_形[-1]
] )
)
返回平面
def计算输出形状（自身、输入形状）：
如果不是全部（输入_形[1:]）：
raise VALUE ERROR（'将输入的形状设置为“展平”'
“未完全定义”
"(得到"str(input_shape[1:])","str"(input_shape[1:])34
'确保传递完整的“输入形状”'
'或第一个的“批处理输入形状”参数'
“模型中的图层。”）
输出形状=（
输入_形[0]，
np.prod（输入_形[1:-1]），
输入_形[-1]
)
返回输出波形

---

例如，当一个密集层出现时，我收到错误

ValueError：应该定义密集输入的最后一个维度。找不到任何文件。

为什么要将

tf.stack（）

放在新的形状中？要展平除最后一个维度以外的所有维度；这就是你可以做到的：

将tensorflow导入为tf
从tensorflow.keras.layers导入图层
将numpy作为np导入
类别图层（图层）：
定义初始（自我，**kwargs）：
超级（展平层，自我）。\uuuuu初始化（**kwargs）
def构建（自我，输入_形状）：
超级（扁平层，自我）。构建（输入形状）
def呼叫（自我，输入）：
新形状=自计算输出形状（tf形状（输入））
返回tf.重塑（输入，新形状）
def计算输出形状（自身、输入形状）：
新建形状=（输入形状[0]*输入形状[1]*输入形状[2]，
输入_形[3]）
返回新的形状

使用单个数据点进行测试（

tf.\uuuuuu版本=1.13.1'

）：

inputs=tf.keras.layers.Input（形状=（10,10,1））
res=tf.keras.layers.Conv2D（过滤器=3，内核大小=2）（输入）
res=平坦层（）（res）
模型=tf.keras.models.model（输入=输入，输出=恢复）
x_data=np.random.normal（大小=（1,10,10,1））
使用tf.Session（）作为sess：
sess.run（tf.global\u variables\u initializer（））
evaled=model.outputs[0].eval（{model.inputs[0]：x_data}）
打印（evaled.shape）#（81,3）

我有

堆栈

，因为我在修改前面使用它的示例。谢谢你的意见。我刚刚尝试在Google Colab上运行您的代码，但在下面的

self.compute\u output\u shape

：

TypeError:无法将类型的对象转换为Tensor。目录：。将铸造元素考虑为支持类型。< /代码>我正在运行TF V1.1.1。此外，将自定义层馈送到另一个层时会出现错误，而不是像您在示例中所做的那样，将自定义层馈送到另一个层时会出现错误。您确定正在运行完全相同的示例吗？复制粘贴此精确代码并删除所有其他代码，然后重新加载运行时。您可能向模型的输入传递了错误的变量。您是正确的。这是运行时的问题。我得到了我的层与你的代码作为一个例子的帮助下工作，谢谢你。然而，我似乎仍然不理解为什么我的原始代码不起作用，因为我现在正在为另一个自定义层处理同样的问题。您能否详细说明一下如何确保自定义图层输出所有相关的形状信息。1。不能将
np.prod（）
与从
tf.shape（）获取的参数一起使用。2.新形状的计算不正确。像我一样计算新的形状-明确地在产品中写入每个元素而不进行切片。3.如果将结果形状送入致密层，则其必须具有二维。在代码中有3个维度。第一个维度可以是未定义的（
None
），但第二个维度不能是
None
，因为它决定了权重矩阵的第一个维度。