我正在实现一个自定义的平均池化层，其中每个神经元计算其输入的平均值，然后将结果乘以一个可学习的系数并加上一个可学习的偏置项，最后应用激活函数

from tensorflow.keras.layers import Layerfrom keras import backend as Kclass Average_Pooling_Layer(Layer):    def __init__(self, output_dimension, **kwargs):        super(Average_Pooling_Layer, self).__init__(**kwargs)        self.output_dimension = output_dimension    def build(self, input_shape):        self.weights = self.add_weight(name='weights2',                              shape=(input_shape[0],                                int(self.output_dimension[0]),                                int(self.output_dimension[1]),                                int(self.output_dimension[2])),                               initializer='uniform',                               trainable=True)    super(Average_Pooling_Layer, self).build(input_shape)   def call(self, inputs):        return K.tanh((inputs * self.weights))    def compute_output_shape(self, input_shape):        return (input_shape)

代码使用

model = tf.keras.Sequential()stride = 1c1 = model.add(Conv2D(6, kernel_size=[5,5], strides=(stride,stride), padding="valid", input_shape=(32,32,1),                   activation = 'tanh'))s2_before_activation = model.add(AveragePooling2D(pool_size=(2, 2), strides=(2, 2)))s2 = model.add(Average_Pooling_Layer(output_dimension = (14, 14, 6)))

我遇到错误：“无法将类型对象转换为Tensor。内容：(Dimension(None), 14, 14, 6)。请考虑将元素转换为支持的类型。” “None”是批量大小，我是从前一层获取的。

如何解决这个问题？

回答：

您的错误是由数据类型引起的。input_shape[0]返回的是<class 'tensorflow.python.framework.tensor_shape.Dimension'>而不是int。

您可以用tf.TensorShape(input_shape).as_list()[0]替换input_shape[0]。但是您的维度设置不正确，您需要根据需要进行调整和修改。

编辑

如果您遇到“无法设置属性”的错误，您应该重命名您的权重变量，而不是使用self.weights。例如，改为self.weights_new。