我在Keras中构建模型时，在最后一层使用了一些TensorFlow函数（reduce_sum和l2_normalize），但遇到了这个问题。我已经搜索了解决方案，但所有相关内容都涉及到“keras张量”。

这是我的代码：

import tensorflow as tf;from tensorflow.python.keras import backend as Kvgg16_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);

然后出现了这个错误：

ValueError: 模型的输出张量必须是TensorFlow Layer的输出（因此保留过去的层元数据）。发现：Tensor(“l2_normalize_3:0”, shape=(?, 3), dtype=float32)

我注意到，如果不将fc2层传递给这些函数，模型可以正常工作：

FC_model = Model(inputs = vgg16_model.input, outputs = fc2);

能有人解释一下这个问题，并提供一些解决建议吗？

回答：

我找到了一种解决问题的方法。对于遇到同样问题的人，你可以使用Lambda层来包装你的TensorFlow操作，这就是我所做的：

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);