AttributeError：图层没有入站节点，或者AttributeError：图层从未被调用

Question

我需要一种方法来获取TensorFlow中任何类型的层（即Dense，Conv2D等）的输出张量的形状。根据文档，有output_shape可以解决问题的属性。但是，每次访问它都会得到AttributedError。

这是显示问题的代码示例：

import numpy as np
import tensorflow as tf


x = np.arange(0, 8, dtype=np.float32).reshape((1, 8))
x = tf.constant(value=x, dtype=tf.float32, verify_shape=True)

dense = tf.layers.Dense(units=2)

out = dense(x)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    res = sess.run(fetches=out)
    print(res)
    print(dense.output_shape)

该print(dense.output_shape)语句将产生错误消息：

AttributeError: The layer has never been called and thus has no defined output shape.

或print(dense.output)将产生：

AttributeError('Layer ' + self.name + ' has no inbound nodes.')
AttributeError: Layer dense_1 has no inbound nodes.

有什么办法可以解决该错误？

PS：
我知道在上面的示例中，我可以通过获得输出张量的形状out.get_shape()。但是我想知道为什么output_shape财产不起作用以及如何解决？

Answer 1

TL; DR

我该如何解决？ 定义输入层：

x = tf.keras.layers.Input(tensor=tf.ones(shape=(1, 8)))
dense = tf.layers.Dense(units=2)

out = dense(x)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    res = sess.run(fetches=out)
    print(dense.output_shape) # shape = (1, 2)

根据Keras文档，如果层具有单个 节点
，则可以通过以下方式获取其输入张量，输出张量，输入形状和输出形状：

• 层输入
• 层输出
• layer.input_shape
• layer.output_shape

但是在上面的示例中，当我们调用layer.output_shape或其他属性时，它引发了看起来有些奇怪的异常。

如果深入源代码，则错误是由 入站节点 引起的。

if not self._inbound_nodes:
  raise AttributeError('The layer has never been called '
                       'and thus has no defined output shape.')

这些入站节点是什么？

甲 节点 描述了 两个层之间的连接 。每次将图层连接到一些新输入时，都会将一个节点添加到 layer._inbound_nodes
。每次层的输出被另一层使用时，都会将一个节点添加到 layer._outbound_nodes 。

如您在上面看到的，当self._inbounds_nodes为None时，它将引发异常。 _ 这意味着，当一个层未连接到输入层或更普遍时，先前的所有层都没有连接到输入层，这self._inbounds_nodes是空的，这导致了问题_。

请注意，x在您的示例中，它是张量而不是输入层。请参阅另一个示例以获取更多说明：

x = tf.keras.layers.Input(shape=(8,))
dense = tf.layers.Dense(units=2)

out = dense(x)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    res = sess.run(fetches=out, feed_dict={x: np.ones(shape=(1, 8))})
    print(res)
    print(res.shape)  # shape = (1,2)
    print(dense.output_shape)  # shape = (None,2)

很好，因为定义了输入层。

请注意，在您的示例中，out是张量。tf.shape()函数和.shape=（get_shape()）之间的区别是：

tf.shape(x)返回表示x的动态形状的一维整数张量。动态形状仅在图执行时才知道。

x.shape返回表示x静态形状的Python元组。在图形定义时已知的静态形状。

在以下网址了解更多关于张量形状的信息：https :
//pgaleone.eu/tensorflow/2018/07/28/understanding-tensorflow-tensors-shape-
static-dynamic/