Как исправить «добавленный слой должен быть экземпляром слоя класса» при построении последовательной модели?

Я пытаюсь добавить слои к последовательной модели, чтобы обучить ее данным fashion_mnist. Однако я постоянно получаю эту ошибку.

#import statements

импортировать тензорный поток как tf

из tenorflow import keras

импортировать matplotlib.pyplot как plt

из моделей импорта tensorflow.keras

#Creating a sequential model
model=models.Sequential([tf.keras.layers.Flatten(),tf.keras.layers.Dense(128,activation=tf.nn.relu),tf.keras.layers.Dense(10,activation=tf.nn.softmax)])

#Compiling the model with optimizer and loss function
model.compile(optimizer='tf.train.AdamOptimizer',loss='sparse_categorical_crossentropy')

Ошибка:

TypeError                                 Traceback (most recent call last)
<ipython-input-4-ffa2750d675a> in <module>()
      1 #creating a sequential model
----> 2 model=models.Sequential([tf.keras.layers.Flatten(),tf.keras.layers.Dense(128,activation=tf.nn.relu),tf.keras.layers.Dense(10,activation=tf.nn.softmax)])

c:\users\admin\appdata\local\programs\python\python36\lib\site-packages\keras\models.py in __init__(self, layers, name)
    439         if layers:
    440             for layer in layers:
--> 441                 self.add(layer)
    442 
    443     def add(self, layer):

c:\users\admin\appdata\local\programs\python\python36\lib\site-packages\keras\models.py in add(self, layer)
    458             raise TypeError('The added layer must be '
    459                             'an instance of class Layer. '
--> 460                             'Found: ' + str(layer))
    461         if not self.outputs:
    462             # First layer in model: check that it is an input layer.

TypeError: The added layer must be an instance of class Layer. Found: <tensorflow.python.keras.layers.core.Flatten object at 0x00000254C648FE48>

Может ли кто-нибудь помочь мне с этим, пожалуйста?


python-3.x computer-vision tensorflow sequential
person Nayan Barde    schedule 11.05.2019    source источник

Ответы (2)


arrow_upward
1
arrow_downward

Пожалуйста, покажите нам операторы импорта вверху. Если вы использовали

from keras import models

то эта ошибка ожидается, поскольку вы добавляете слои tf.keras в модель keras.

К сожалению, keras и tf.keras несовместимы.

Если вы измените импорт на:

from tensorflow.keras import models

тогда ваш код должен работать.

person mostafa.elhoushi    schedule 13.05.2019
comment
Я добавил операторы импорта в сам вопрос, не могли бы вы взглянуть! - person Nayan Barde; 14.05.2019
comment
Хммм ... это выглядит странно ... похоже, вы импортируете все из tensorflow.keras, но глядя на пути к исходным файлам в журнале ошибок (например, python \ python36 \ lib \ site-packages \ keras \ models.py), это похоже, что код имеет дело с Керасом. Можете ли вы в своем коде заменить models.Sequential(... на tf.keras.moels.Sequential(... и посмотреть, что произойдет? - person mostafa.elhoushi; 14.05.2019

arrow_upward
1
arrow_downward

Я обнаружил аналогичную ошибку в своем коде:

import tensorflow as tf
from keras import Sequential, Embedding
model = Sequential(name='embedding')
model.add(Embedding(2, 2, input_length=7))
model.compile('rmsprop', 'mse')
model.predict(np.array([[0, 1, 0, 1, 1, 0, 0]]))

Затем я нашел эту статью о tensorflow 2.0 и keras.

В этой статье автор сказал:

Теперь, когда выпущен TensorFlow 2.0, keras и tf.keras синхронизированы, что означает, что keras и tf.keras по-прежнему являются отдельными проектами; однако разработчики должны начать использовать tf.keras в дальнейшем, поскольку пакет keras будет поддерживать только исправления ошибок.

Потом я изменил свой код и все было хорошо

import tensorflow as tf
import tensorflow.keras as k
from tensorflow.keras.layers import Embedding
import numpy as np

model: k.Sequential = k.Sequential(name='embedding')
em: Embedding = Embedding(2, 2, input_length=7)
model.add(em)
model.compile('rmsprop', 'mse')
model.predict(np.array([[0, 1, 0, 1, 1, 0, 0]]))
print("model.weights: ", model.weights)
person AlohaWorld    schedule 08.12.2019