проблема многократного ввода пользовательского слоя (Uncaught TypeError: Невозможно прочитать свойство 'dtype' из неопределенного) - PullRequest
Новая
       11

проблема многократного ввода пользовательского слоя (Uncaught TypeError: Невозможно прочитать свойство 'dtype' из неопределенного)

1 голос
/ 26 февраля 2020

Я пытаюсь написать пользовательский слой (замена лямбда-слоя), слой, выведенный без модели, работает нормально, при этом обтекание модели выполняется до определенной точки, чем происходит сбой. Печать полученных входных данных в самом слое работает, как раз перед cra sh. проблема @github - проблема 

<!-- Load TensorFlow.js -->

<script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs/dist/tf.min.js"> </script>
<script>
/******************************************************************************
 * tensorflow.js lambda layer
 * written by twitter.com/benjaminwegener
 * license: MIT
 */

class lambdaLayer extends tf.layers.Layer {
 constructor(config) {
  super(config);
  this.name = config.name;
  this.lambdaFunction = config.lambdaFunction;
 }

 call(input) {
  return tf.tidy(() => {
   return eval(this.lambdaFunction);
  });
 }

 getConfig() {
  const config = super.getConfig();
  Object.assign(config, {lambdaFunction: this.lambdaFunction});
     return config;
 }
  
 static get className() {
  return 'lambdaLayer';
 }
}
tf.serialization.registerClass(lambdaLayer);

console.log('------------------- first inference');

const a = tf.tensor([1, 2, 3, 4, 5, 6, 7, 8], [1, 2, 2, 2], 'float32');
const b = tf.tensor([8, 7, 6, 5, 4, 3, 2, 1], [1, 2, 2, 2], 'float32');

const output = new lambdaLayer({lambdaFunction: 'tf.matMul(input[0], input[1], false, true);'}).apply([a, b]).print(true);

console.log('------------------- second inference');

const input1 = tf.input({shape: [null, null, null]});
const input2 = tf.input({shape: [null, null, null]});

const customLayer = new lambdaLayer({lambdaFunction: 'input[0].print(true); input[1].print(true); tf.matMul(input[0], input[1], false, true);'});
const model = tf.model({inputs: [input1, input2], outputs: customLayer.apply([input1, input2])});

console.log(model.predict([a, b]));

</script>

, что приводит к следующему console.log: 

debug2.html:35 ------------------- first inference
array_ops.ts:1180 Tensor
dtype: float32
rank: 4
shape: [1,2,2,2]
values:
[[[[22, 16],
[52, 38]],

  [[38, 16],
   [52, 22]]]]
debug2.html:42 ------------------- second inference
array_ops.ts:1180 Tensor
dtype: float32
rank: 4
shape: [1,2,2,2]
values:
[[[[1, 2],
[3, 4]],

  [[5, 6],
   [7, 8]]]]
array_ops.ts:1180 Tensor
dtype: float32
rank: 4
shape: [1,2,2,2]
values:
[[[[8, 7],
[6, 5]],

  [[4, 3],
   [2, 1]]]]
executor.ts:29 Uncaught TypeError: Cannot read property 'dtype' of undefined
at executor.ts:29
at t.add (executor.ts:96)
at Od (executor.ts:341)
at training.ts:1063
at engine.ts:424
at t.scopedRun (engine.ts:435)
at t.tidy (engine.ts:422)
at We (globals.ts:182)
at s (training.ts:1045)
at training.ts:1045
(anonymous) @ executor.ts:29
t.add @ executor.ts:96
Od @ executor.ts:341
(anonymous) @ training.ts:1063
(anonymous) @ engine.ts:424
t.scopedRun @ engine.ts:435
t.tidy @ engine.ts:422
We @ globals.ts:182
s @ training.ts:1045
(anonymous) @ training.ts:1045
(anonymous) @ engine.ts:424
t.scopedRun @ engine.ts:435
t.tidy @ engine.ts:422
We @ globals.ts:182
e.predictLoop @ training.ts:1029
e.predict @ training.ts:1111
(anonymous) @ debug2.html:50

1 Ответ

0 голосов
/ 26 февраля 2020

Пользовательский слой выдает ошибку при использовании с моделью, потому что вам нужно предоставить выходную форму.

Требуется, когда inputShape отличается от формы вывода. 

<!-- Load TensorFlow.js -->

<script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs/dist/tf.min.js"> </script>
<script>
/******************************************************************************
 * tensorflow.js lambda layer
 * written by twitter.com/benjaminwegener
 * license: MIT
 */

class lambdaLayer extends tf.layers.Layer {
 constructor(config) {
  super(config);
  this.name = config.name;
  this.lambdaFunction = config.lambdaFunction;
 }

 call(input) {
  return tf.tidy(() => {
   return eval(this.lambdaFunction);
  });
 }

 getConfig() {
  const config = super.getConfig();
  Object.assign(config, {lambdaFunction: this.lambdaFunction});
     return config;
 }
  
 static get className() {
  return 'lambdaLayer';
 }
 
 computeOutputShape(inputShape) {
    return [1,2,2,2] // expected shape
  }
}
tf.serialization.registerClass(lambdaLayer);

console.log('------------------- first inference');

const a = tf.tensor([1, 2, 3, 4, 5, 6, 7, 8], [1, 2, 2, 2], 'float32');
const b = tf.tensor([8, 7, 6, 5, 4, 3, 2, 1], [1, 2, 2, 2], 'float32');

const output = new lambdaLayer({lambdaFunction: 'tf.matMul(input[0], input[1], false, true);'}).apply([a, b]).print(true);

console.log('------------------- second inference');

const input1 = tf.input({shape: [null, null, null]});
const input2 = tf.input({shape: [null, null, null]});

const customLayer = new lambdaLayer({lambdaFunction: 'input[0].print(true); input[1].print(true); tf.matMul(input[0], input[1], false, true);'});
const model = tf.model({inputs: [input1, input2], outputs: customLayer.apply([input1, input2])});

model.predict([a, b]).print();

</script>
...