Tensorflow “如何修复”；“符号张量”；使用「；步骤“每个时代”；但不是",；批次“U尺寸”；在一个简单的conv2d&x2B；液态机网络

我正在制作一个简单的conv2d+动态库（一个自定义的循环层，具有随机/固定连接，只输出最后一个时间步节点状态）。储层写为lambda层，以实现代码中所示的简单方程。该模型可由Keras构建

我希望对模型进行训练，以对给定批量的一些图像序列进行分类。（例如，批次大小=2）因此，理想情况下，KERA应分配大小为2x3x8x1的批次，因为数据集的大小为10x3x8x1。时间分布的Conv2d层应返回2x3x6x3。后续自定义展平层应展平非时间维度并返回2x3x108。具有108个节点的储备层应返回2x108。最后一个读出层应该返回2x5

导入keras
从keras.layers导入致密、卷积2D、活化、λ
从keras.layers.wrappers导入TimeDistributed
从keras.models导入顺序
从keras导入后端为K
导入tensorflow作为tf
将numpy作为np导入
#展平非时间维度
def展平步骤（x英寸）：#输入形状（无，3，6，6，3），输出形状（无，3，108）
形状=K.形状（x_英寸）#张量形状
x_out=K.重塑（x_in，[shape[0]，shape[1]，K.prod（shape[1:]））
返回x_out
def展平步骤形状（x形状）：
n_批次、n_步骤、n_行、n_列、n_过滤器=x_形状
输出_形状=（n_批次、n_步骤、n_行*n_列*n_过滤器）#展平
返回输出波形
#简单水库
#以单个批次为例，输入（尺寸3x108）到Reseriver中的108个节点有3个时间步。
#节点状态为stat_neuron（尺寸1x108）
#对于范围内的t（3）
#stat_neuron=stat_neuron*衰减系数+输入[t，：]+循环连接矩阵*stat_neuron
#结束
#该层有效地返回节点在最后一个时间步骤中的状态
def ag_储存器（x_英寸）：#输入形状（无，3108），输出形状（无，108）
形状=K.形状（x_英寸）#张量形状
stat_neuron=K.zeros（[shape[0]，shape[2]]）#初始化神经元状态
t_step=tf.常数（0）#初始化时间计数器，移位1
t_max=tf.减法（形状[1]，tf.常数（1））#最大时间步长，移动1
x=x_英寸
def cond（t_步长，t_最大值，stat_神经元，x）：
返回tf.less（t_步，t_最大值）
def主体（t_台阶、t_最大值、stat_神经元、x）：
全局RC_矩阵，C_衰减#连接矩阵，衰减常数
temp=tf.标量_mul（C_衰减，stat_神经元）#stat_神经元*衰减系数
temp=tf.add（temp，x[：，t_step，：]）#stat_neuron*衰减系数+输入[t，：]
temp=tf.add（temp，tf.einsum（'ij，bj->bi'，RC_矩阵，stat_神经元））#out[batch，i]=sum_j RC_矩阵[i，j]*stat_神经元[batch，j]
返回[tf.添加（t_步骤，1），t_最大值，温度，x]
res=tf.while\u循环（条件，身体，[t\u步进，t\u最大，stat\u神经元，x]）
返回res[2]
def ag_储液罐形状（x_形状）：
在批处理中，在步骤中，在节点中=x形状
输出\u形状=（在\u批中，在\u节点中）
返回输出波形
#%%参数
n_样本=10；#样本数量；
n_tstep=3；#每个样本的时间步数
n_行=8；#每帧的行数
n_col=8；#每帧的列数
n_通道=1；#频道数
RC_矩阵=K.random_normal（[108，108]）#储备层节点循环连接矩阵，注意有108个节点
C_衰减=K.常数（0.9）#递归层节点时间-时间衰减系数
data=K.random_normal（[n_sample，n_tstep，n_row，n_col，1]）#一些随机数据集
#data=np.random.randn（n_样本，n_步骤，n_行，n_列，1）
label=np.random.randint（5，size=n_样本）#一些随机数据集标签
label_onehot=K.one_hot（label，5）
x_列=数据
y\u train=标签\u onehot
x_检验=数据
y\u测试=标签
#%%模型
模型=顺序（）；
#卷积核：输入形状（批量大小，3,8,8,1），输出形状（批量大小，3,6,6,3）
添加（时间分布（卷积2d（3，（3，3），步长=1，padding='valid'，use_bias=False，
内核\初始化器='random\ u uniform'，trainable=False），输入\形状=（n\ t步骤，n\行，n\列，n\通道）
#展平非时间维度：输入形状（批次大小，3,6,6,3），输出形状（批次大小，3,108）
添加（Lambda（展平步，输出步=展平步）
#储备器：输入形状（批量大小3，108），输出形状（批量大小108）
添加（Lambda（ag_储存器，输出_形状=ag_储存器_形状））
#储存器读出：输入形状（批量大小，108），输出形状（批量大小，5）
添加（密集（5，使用_bias=False））
添加（激活（'softmax'））
#检查模型
model.summary（）
#%%训练
opt=keras.optimizers.rmsprop（lr=0.01，衰减=1e-6）
compile（loss='classifical_crossentropy'，optimizer=opt，metrics=['acc']）
历史=模型.fit（x_序列，y_序列，历代=50，验证数据=（x_测试，y_测试），批量大小=2）

但是，Keras说，“如果数据是符号张量的形式，那么应该指定

每历元步长

参数（而不是

批量大小

参数，因为符号张量预计会生成批量输入数据）。”

您能否就如何让KERA正确识别批次大小并继续培训提出建议？（请注意，Conv2d层是固定的，lambda层也是固定的，只有最后一个密集层需要训练。）

---

提前感谢。

该错误意味着Fit（）使用的数据张量之一是符号张量。one hot label函数返回符号张量。尝试以下方法：

label_onehot=tf.Session（）.run（K.one_hot（label，5））

我个人并没有直接在Keras上尝试过这一点——如果它在Keras上不起作用，请尝试使用tf one hot函数，而不是Keras one hot函数。

这是原因