类型错误：拟合模型时您正在传递 KerasTensor.....

Question

我正在尝试完成一个关于变分自动编码器（VAE）的项目，

我尝试了很多方法并从互联网上获得了很多帮助，但每次我都会遇到不同的问题。

最常见的是形状问题，但也可能是这样的： 放弃后，我拿了一个现成的代码 （来自此处：https://www.youtube.com/watch?v=8wrLjnQ7EWQ& ;ab_channel=DigitalSreeni) 并一一复制。 即便如此，它也向我展示了一个问题（我以前也见过），并且互联网上没有答案（根据我所看到的）：

TypeError：您正在传递 KerasTensor(type_spec=TensorSpec(shape=() , dtype=tf.float32, name=None), name='tf.math.reduce_sum_1/Sum:0', description="由层创建'tf.math.reduce_sum_1'")，中间 Keras 符号输入/输出，到不允许注册自定义调度程序的 TF API，例如 tf.cond、tf.function< /code>、渐变磁带或 tf.map_fn。 Keras 功能模型构建仅支持支持调度的 TF API 调用，例如 tf.math.add 或 tf.reshape。其他 API 无法直接在符号 Keras 输入/输出上调用。您可以通过将操作放入自定义 Keras 层 call 中并在此符号输入/输出上调用该层来解决此限制。

您可以在 youtube 的说明中查看完整的代码我附上的视频

有人知道我应该做什么吗？

在我看来，部分代码存在问题：

latent_dim = 2

input_img = Input(shape=input_shape, name='encoder_input')
x = Conv2D(32, 3, padding='same', activation='relu')(input_img)
x = Conv2D(64, 3, padding='same', activation='relu',strides=(2, 2))(x)
x = Conv2D(64, 3, padding='same', activation='relu')(x)
x = Conv2D(64, 3, padding='same', activation='relu')(x)
conv_shape = K.int_shape(x) #Shape of conv to be provided to decoder
x = Flatten()(x)
x = Dense(32, activation='relu')(x)
z_mu = Dense(latent_dim, name='latent_mu')(x)   #Mean values of encoded input
z_sigma = Dense(latent_dim, name='latent_sigma')(x)  #Std dev. (variance) of encoded input

def sample_z(args):
  z_mu, z_sigma = args
  eps = K.random_normal(shape=(K.shape(z_mu)[0], K.int_shape(z_mu)[1]))
  return z_mu + K.exp(z_sigma / 2) * eps

z = Lambda(sample_z, output_shape=(latent_dim, ), name='z')([z_mu, z_sigma])
encoder = Model(input_img, [z_mu, z_sigma, z], name='encoder')

decoder_input = Input(shape=(latent_dim, ), name='decoder_input')
x = Dense(conv_shape[1]*conv_shape[2]*conv_shape[3], activation='relu')(decoder_input)
x = Reshape((conv_shape[1], conv_shape[2], conv_shape[3]))(x)
x = Conv2DTranspose(32, 3, padding='same', activation='relu',strides=(2, 2))(x)
x = Conv2DTranspose(num_channels, 3, padding='same', activation='sigmoid', name='decoder_output')(x)

decoder = Model(decoder_input, x, name='decoder')
z_decoded = decoder(z)

class CustomLayer(keras.layers.Layer):

    def vae_loss(self, x, z_decoded):
        x = K.flatten(x)
        z_decoded = K.flatten(z_decoded)
        
        # Reconstruction loss (as we used sigmoid activation we can use binarycrossentropy)
        recon_loss = keras.metrics.binary_crossentropy(x, z_decoded)
        
        # KL divergence
        kl_loss = -5e-4 * K.mean(1 + z_sigma - K.square(z_mu) - K.exp(z_sigma), axis=-1)
        return K.mean(recon_loss + kl_loss)

    # add custom loss to the class
    def call(self, inputs):
        x = inputs[0]
        z_decoded = inputs[1]
        loss = self.vae_loss(x, z_decoded)
        self.add_loss(loss, inputs=inputs)
        return x

y = CustomLayer()([input_img, z_decoded])
vae = Model(input_img, y, name='vae')
vae.compile(optimizer='adam', loss=None)
vae.summary()
vae.fit(x_train, None, epochs = 10, batch_size = 32, validation_split = 0.2)