我想从我的输入张量中提取并独立应用一个Conv2D层到各列上，但在添加以下代码后：

accelerometer_input = Input(shape=(1400, 3))for i in range(3):    out = Lambda(lambda x: x[:,:, i:i+1])(accelerometer_input) # 提取第i个通道    out = K.expand_dims(out, axis=1)    out = Conv2D(64, (30, 1), data_format="channels_first")(out)      branch_outputs.append(out)out_put = K.concatenate(branch_outputs)

出现了标题中的错误。我认为这是由于Lambda层或提取过程不可微分引起的。

但我该如何避免使用这些呢？

回答：

这是因为你直接对一个Keras张量（即out）应用了后端函数（例如K.expand_dims()），因此结果会是一个Tensor（而不是Keras Tensor）。实际上，Keras Tensor是Tensor的增强版本，具有额外的属性（例如_keras_history），这些属性帮助Keras构建模型。现在，要解决这个问题，你只需要将后端函数放入Lambda层中，以确保输出是一个Keras Tensor：

out = Lambda(lambda x: K.expand_dims(x, axis=1))(out)

使用K.concatenate()时也适用同样的方法。不过，在这种情况下，Keras中有专门的层来处理这种情况：

from keras.layers import concatenate, Concatenate# 使用函数式接口out_put = concatenate(branch_outputs)# 或者使用层类out_put = Concatenate()(branch_outputs)