我使用了tf.random.normal方法（或通过keras API 的K.random_normal）来生成高斯噪声。

它在自定义的tensorflow Layer中使用，而该Layer又被自定义的Model使用。

不知为何，直接调用层/模型，或者通过tf.GradientTape()使用自定义训练循环时，一切正常工作，但尝试使用fit方法时却抛出了一个令人困惑的错误。

这似乎与推断批次维度有关，在调用fit方法时，批次维度显示为None。

我怀疑这与编译以及符号张量和急切张量有关，但我并不清楚如何实际解决这个问题？

我尝试将问题简化为一个最小示例来重现这个问题：

import numpy as npimport tensorflow.keras.backend as Kfrom tensorflow.keras import modelsimport tensorflow as tfclass Demo(models.Model):    def __init__(self):        super().__init__()    def call(self, inputs, training=None, mask=None):        # 直接调用或通过GradientTape()时，batch给出“2”        # 通过fit调用时，batch给出“None”        batch = K.int_shape(inputs)[0]        dim = K.int_shape(inputs)[1]        noise = tf.random.normal(shape=(batch, dim), mean=0.0, stddev=1.0)        # 手动指定批次维度是可以工作的，例如        # noise = tf.random.normal(shape=(2, dim), mean=0.0, stddev=1.0)        return inputs * noisetest_data = np.array([[1., 2., 3., 4.], [5., 6., 7., 8.]])tester = Demo()tester.compile(optimizer='adam')# 手动调用正常工作print(test_data - tester(test_data))# 但调用fit则不行tester.fit(x=test_data)# 引发: TypeError: Failed to convert object of type <class 'tuple'> to Tensor.# Contents: (None, 4). Consider casting elements to a supported type.

有什么建议可以解决这个问题吗？

回答：

在call方法中，不要使用keras.backend来获取batch和dim，而是直接使用tensorflow。

batch = tf.shape(inputs)[0]dim = tf.shape(inputs)[1]