当遇到这个问题时，我正在最后一个层中使用一些张量流函数（reduce_sum和l2_normalize）在Keras中构建模型。我已经搜索了一个解决方案，但所有这些都与“喀拉张量”有关。
这是我的密码：
import tensorflow as tf;
from tensorflow.python.keras import backend as K
vgg16_model = VGG16(weights = 'imagenet', include_top = False, input_shape = input_shape);
fire8 = extract_layer_from_model(vgg16_model, layer_name = 'block4_pool');
pool8 = MaxPooling2D((3,3), strides = (2,2), name = 'pool8')(fire8.output);
fc1 = Conv2D(64, (6,6), strides= (1, 1), padding = 'same', name = 'fc1')(pool8);
fc1 = Dropout(rate = 0.5)(fc1);
fc2 = Conv2D(3, (1, 1), strides = (1, 1), padding = 'same', name = 'fc2')(fc1);
fc2 = Activation('relu')(fc2);
fc2 = Conv2D(3, (15, 15), padding = 'valid', name = 'fc_pooling')(fc2);
fc2_norm = K.l2_normalize(fc2, axis = 3);
est = tf.reduce_sum(fc2_norm, axis = (1, 2));
est = K.l2_normalize(est);
FC_model = Model(inputs = vgg16_model.input, outputs = est);
然后错误：
输出张量到模型必须是TensorFlowLayer的输出（因此保存过去的层元数据）。找到：张量（l2_normalize_3： 0，形状=（？，3），dtype=Float32）
我注意到，在不将fc2层传递给这些函数的情况下，该模型运行良好：
FC_model = Model(inputs = vgg16_model.input, outputs = fc2);
有人能给我解释一下这个问题和一些如何解决它的建议吗？
我找到了一个解决问题的办法。对于遇到相同问题的任何人，都可以使用Lambda层包装tensorflow操作，我就是这么做的：
from tensorflow.python.keras.layers import Lambda;
def norm(fc2):
fc2_norm = K.l2_normalize(fc2, axis = 3);
illum_est = tf.reduce_sum(fc2_norm, axis = (1, 2));
illum_est = K.l2_normalize(illum_est);
return illum_est;
illum_est = Lambda(norm)(fc2);
我有这个问题，因为我在模型的某个地方添加了2个张量作为x1 x2，而不是使用Add（）（[x1， x2]）。
这就解决了问题。
