无法将“auto”转换为 dtype float 的 EagerTensor

Question

我创建了一个dataset有 27 列的。我创建了一个Autoencoder用于异常检测的目的，如下所示：

input_layer = Input(shape=(27,))

x = layers.Dense(20,activation='relu')(input_layer)
x = layers.Dense(14,activation='relu')(x)
x = layers.Dense(8, activation='relu')(x)
x = layers.Dense(14, activation='relu')(x)
x = layers.Dense(20,activation='relu')(x)

output = layers.Dense(27,activation='relu')(x)

AE = keras.models.Model(inputs=input_layer, outputs=output)

optimizer = keras.optimizers.Adam() 

loss_fn = keras.losses.MeanSquaredError

iterator = iter(train_dataset) 
a = iterator.get_next() 
out = AE(a,training=True)
loss_value = loss_fn(a, out)

为什么会出现以下错误？

TypeError: Cannot convert 'auto' to EagerTensor of dtype float

Answer 1

免责声明

这个答案假设我们最初写的是：

import tensorflow
from tensorflow import keras

请注意，如果没有任何示例数据，则很难确定这实际上适用于您的情况。但我通过了解以下内容解决了产生相同错误的问题。

解决方案 1：使用 MeanSquaredError 类

根据tensorflow网站的说法，出现这个问题是因为它keras.losses.MeanSquaredError是一个类。因此，您必须首先使用括号实例化它，而不是像它是一个函数一样给它起别名。()

因此，以下行解决了该问题：

loss_fn = keras.losses.MeanSquaredError()

解决方案2：使用MSE函数

另一种选择是别名，根据该站点，keras.losses.MSE这是 的别名。如果查看源代码，您可以看到这是任何类定义之外的函数。keras.metrics.mean_squared_error

因此，以下行解决了该问题：

loss_fn = keras.losses.MSE

重要提示：两种解决方案会产生不同的结果

如果输入有多于一维，则上述两个解决方案的输出不相同。第一个生成标量，第二个生成数组。为了使它们相同，您必须：

• 在解决方案 1 中实例化类时传递NONE类型缩减。损失值现在是一个数组。

loss_fn = keras.losses.MeanSquaredError(reduction=keras.losses.Reduction.NONE)

或者

• 另外，从解决方案 2 中损失函数的输出中取平均值。损失值现在是一个标量。

loss_value = tensorflow.reduce_mean(loss_fn(a, out))