tensorflow中的自定义层，以输出其输入的最大运行值

我试图在tensorflow中创建一个自定义层，以输出其输入的最大值。该层具有内存变量和比较功能。我写了以下内容

class ComputeMax(tf.keras.layers.Layer):

   def __init__(self):
       super(ComputeMax, self).__init__()

   def build(self, input_shape):
       self.maxval = tf.Variable(initial_value=tf.zeros((input_shape)),
                              trainable=False)

   def call(self, inputs):
       self.maxval.assign(tf.maximum(inputs, self.maxval))
       return self.maxval

my_sum = ComputeMax()
x = tf.ones((1,2))

y = my_sum(x)
print(y.numpy())  # [1, 1]

y = my_sum(x)
print(y.numpy())  # [1, 1]

它的工作原理如上所述。当我在测试模型中尝试时：

model = Sequential()
model.add(tf.keras.Input(shape=(2)))
model.add(Dense(1, activation='relu'))
model.add(ComputeMax())
model.compile(optimizer='adam', loss='mse')

我在编译时遇到错误：

ValueError: Cannot convert a partially known TensorShape to a Tensor: (None, 1)

---

我遗漏了什么？

实际上，该层需要知道上一层的输入神经元，这是

input\u shape

中的最后一个值。您正在按原样使用

input_shape

，这实际上是批处理形状，导致批处理形状的一层

这个实现可能会有所帮助

class ComputeMax(tf.keras.layers.Layer):

   def __init__(self):
       super(ComputeMax, self).__init__()

   def build(self, input_shape):
       self.maxval = tf.Variable(initial_value=tf.zeros((input_shape[-1])),
                              trainable=False)

   def call(self, inputs):
       self.maxval.assign(tf.maximum(inputs, self.maxval))
       return self.maxval

---

但它可能不会给你numpy 1d数组的答案。

我尝试了你建议的更改，在编译时，在上面的模型中，它给了我一个错误，ValueError:无法分配给变量compute\u max\u 29/变量：0，因为变量形状（1）和值形状（无，1）不兼容。是的，我知道。问题在于

调用
方法。但肯定的是，构建方法是正确的，因为您需要指定来自上一层的输入形状。