生成节点时，输入“ref”传递了int32预期的ref类型

Question

我想乘以2个张量，所以我在Keras中使用lambda层，并使用目标2个张量作为lambda层的输入，如下所示

def get_col_att(tensors):

    for i in range(num_samples):
        global t
        t=tf.assign(t,i)
        x = tf.nn.embedding_lookup(tensors[0], t)
        print("tensors[1]:",tensors[1])
        y = tf.nn.embedding_lookup(tensors[1], t)
        print("x shape",x.shape,"y shape",y.shape)
        ab=tf.transpose(y)

        Ecol=tf.reshape(tf.tensordot(x,ab,axes=1),[1,M,C])
        if i==0: 
            all_col_attention=tf.Variable(initial_value=Ecol)
        else:
            all_col_attention=tf.concat([all_col_attention,Ecol],0)

    print("all_col_attention",all_col_attention)
    return all_col_attention

total_alpha_sel_np=Lambda(get_col_att)([Hq,cols_last_hidden])   

但它给出了以下错误

Input 'ref' passed int32 expected ref type while building NodeDef

我找出了错误在哪里，在下面一行

all_col_attention=tf.Variable(initial_value=Ecol)

你知道吗 也因为经济合作 所以我用y（2-d）和张量1代替了Ecol（3-d）。它适用于张量[1]，但不适用于y

x shape (13, 80) y shape (12, 80) tf.tensordot(x,ab,axes=1) Tensor("lambda_42/Reshape:0", shape=(1, 13, 12), dtype=float32) x shape (13, 80) y shape (12, 80) tf.tensordot(x,ab,axes=1) Tensor("lambda_42/Reshape_2:0", shape=(1, 13, 12), dtype=float32) x shape (13, 80) y shape (12, 80) tf.tensordot(x,ab,axes=1) Tensor("lambda_42/Reshape_4:0", shape=(1, 13, 12), dtype=float32) all_col_attention Tensor("lambda_42/concat_1:0", shape=(3, 13, 12), dtype=float32) x shape (13, 80) y shape (12, 80) tf.tensordot(x,ab,axes=1) Tensor("lambda_42/Reshape_6:0", shape=(1, 13, 12), dtype=float32)

请在这方面帮助我：-（

Answer 1

如我所见，问题不在于张量的形状。该错误与lambda层有关。Keras中的lambda层调用函数两次，因为有训练和验证图。你知道吗

有两个图被构造。一个用来训练。另一个用于验证。 你不应该使用一些全局变量来保存一些内部状态。 创建一个输出两个张量的自定义层。你知道吗

Reference