Keras前后尺寸一致却依然报错'ValueError: total size of new array must be unchanged'的原因

某些情况下我们需要对张量进行维度变换，一般可以通过调用以下两种方法实现:

# 1. TensorFlow自带
tf.reshape(tensor, target_shape)  # 2. (推荐）Keras中的Reshape层。如果用第一种方法的话，最后构建Model的时候可能会报错：
#     AttributeError: 'NoneType' object has no attribute '_inbound_nodes'
Reshape(target_shape)(tensor)

一般来说Reshape操作必须要满足变换前后总Elements数量不变。例如某维度为[2,4,8]的张量可以变换为[2,8,4]、[8,8]、[64]的形式。在Keras中可能显示为[?,2,4,8]的形式，其中‘?’代表输入尺寸，不影响结果。

但有时候即使前后尺寸完全一致，但依然报错'ValueError: total size of new array must be unchanged'就很让人怀疑人生了（如下）：

print(z.get_shape())  # 查看张量z的shape
z_reshape = Reshape([4498, 2])(z)  # 变换为同一shape

因为这个报错百思不得其解，看了中外无数个帖子、博客，快被逼疯！！经过多轮调试终于知道问题出在哪儿了：

产生原因：

问题出现在张量z是怎么得到上：是不是通过Lambda包装了自定义的操作？其output_shapes属性至关重要。本文的Z的产生过程如下：

def sampling(args):mean, log = argsepsilon = K.random_normal(shape=K.shape(mean))return tf.math.sqrt(log) * epsilon + mean# 通过sampling函数获得的结果. z_mean/z_log的shape均为[?,4498,2]
z = Lambda(sampling, output_shape=(2,), name='output_z')([z_mean, z_log])

通过output_shapes产生的维度是可操作的，而其它维度将被锁定。拿本例来说，正常情况下张量z [?,4498,2]只要符合尺寸乘积等于4498*2=8996即可。但由于我指定了output_shapes=(2,)，它所产生的[?, 4498, 2]张量中我们只能对最后的2进行Reshape操作。比如:

z_reshape = Reshape([1, 2])(z)
# 结果为[?, 4498, 1, 2]z_reshape = Reshape([2, 1])(z)
# 结果为[?, 4498, 2, 1]z_reshape = Reshape([1, 1, 2])(z)
# 结果为[?, 4498, 1, 1, 2]

解决办法

准确指定output_shapes！！！不要只写最后一维就完了。

#  这是原先sampling的函数体，放一起了
epsilon = K.random_normal(shape=K.shape(mean))
return tf.math.sqrt(log) * epsilon + mean# 获得的结果
z = Lambda(sampling, output_shape=(4498, 2), name='output_z')([z_mean, z_log])# 再进行转换成功！
z_reshape = Reshape([2249, 4])(z)

此时通过Lambda产生的张量z [?, 4498, 2]中4498、2都是output_shapes已经声明过的，接下来只要target_shape之积等于4498*2=8996就能成功啦！