当我在Tensorflow上用Keras API连接两个模型时，模型的输入张量必须来自`tf.layers.Input'
/usr/local/lib/python3.6/dist-packages/tensorflow/python/training/checkpointable/base.py in_method_wrapper（self,*args,**kwargs）362 self._setattr_tracking=False#pylint:disable=protected-access 363 try：-->364 method（self,*args,**kwargs）365 finally：366 self._setattr_tracking=previous_value#
/usr/local/lib/python3.6/dist-packages/tensorflow/python/keras/engine/network.py in_init_graph_network(self,inputs,outputs,name)193'必须来自tf.layers.input。'194'收到：'+str(x)+-->195'（缺少上一层元数据）。')196#检查x是否为输入张量。197#pylint:disable=protected-access
ValueError：模型的输入张量必须来自tf.layers.Input。接收：张量（“add_1:0”，shape=(1,？,163),dtype=float32)（缺少前一层元数据）。
下面是连接这两者的代码。
merged_out = tf.keras.layers.concatenate([wide_model.output, deep_model.output])
merged_out = tf.keras.layers.Dense(1)(merged_out)
combined_model = tf.keras.Model(inputs=wide_model.input + [deep_model.input], outputs=merged_out)
print(combined_model.summary())
对于每个模型的输入，我尝试使用tf.layers.input
inputs = tf.placeholder(tf.float32, shape=(None,X_resampled.shape[1]))
deep_inputs = tf.keras.Input(tensor=(inputs))
暂时还没有答案
-
问题内容： 我在Keras的最后一层中使用一些tensorflow函数（reduce_sum和l2_normalize）构建模型，而遇到此问题。我一直在寻找解决方案，但所有解决方案都与“ Keras张量”有关。 这是我的代码： 然后是错误： ValueError：模型的输出张量必须是TensorFlow的输出（因此保留过去的层元数据）。找到：Tensor（“ l2_normalize_3：0”，s
-
我想使用两个包，一个用Keras1.2编写，另一个用TensorFlow编写。我想将构建在tensorflow中的体系结构的一部分用于Keras模型。 这里提出了一个部分的解决方案，但它是针对顺序模型的。关于功能模型的建议--将预处理包装在一个Lambda层中--没有奏效。
-
我已经训练了一个简单的CNN模型在Ciafer-10上使用假量化（https://github.com/tensorflow/tensorflow/tree/master/tensorflow/contrib/quantize）。然后我用toco生成了一个. tflite文件。现在我想使用一个python解释器来测试tflite模型。 因为我用了tf。形象在训练期间，按图像标准化减去平均值并除以方
-
我在Tensorflow中训练了一个模型，因此可以产生的最大产出值为1.0。然后我将其转换为Tensorflow Lite以安装在android上，现在Tensorflow Lite模型产生的值远大于1.0。我可以做些什么来解决这个问题？ 我用的是Tensorflow 2.5 tf模型-
-
我训练了一个模型，输入了张量：输入形状：[150]输入类型： 在输出中，该张量为：输出形状：[1 50 17]输出类型： 如何在Java中创建这些？在Android设备上使用它？谢谢
-
问题内容： 我有一个使用Keras和Tensorflow作为后端训练的模型，但是现在我需要将我的模型转换为特定应用程序的张量流图。我尝试执行此操作并进行了预测以确保其正常工作，但是与从model.predict（）收集的结果进行比较时，我得到了非常不同的值。例如： 返回： keras预测的值是正确的，但tf图的结果却不正确。 如果它有助于了解最终的预期应用程序，那么我将使用tf.gradients