下面代码在tensorflow中出现了init() missing 1 required positional argument: 'cell'报错： class Model(): def __init__(self): self.img_seq_shape=(10,128,128,3) self.img_shape=(128,128,3) self.train_img=dataset # self.test_img=dataset_T patch = int(128 / 2 ** 4) self.disc_patch = (patch, patch, 1) self.optimizer=tf.keras.optimizers.Adam(learning_rate=0.001) self.build_generator=self.build_generator() self.build_discriminator=self.build_discriminator() self.build_discriminator.compile(loss='binary_crossentropy', optimizer=self.optimizer, metrics=['accuracy']) self.build_generator.compile(loss='binary_crossentropy', optimizer=self.optimizer) img_seq_A = Input(shape=(10,128,128,3)) #输入图片 img_B = Input(shape=self.img_shape) #目标图片 fake_B = self.build_generator(img_seq_A) #生成的伪目标图片 self.build_discriminator.trainable = False valid = self.build_discriminator([img_seq_A, fake_B]) self.combined = tf.keras.models.Model([img_seq_A, img_B], [valid, fake_B]) self.combined.compile(loss=['binary_crossentropy', 'mse'], loss_weights=[1, 100], optimizer=self.optimizer,metrics=['accuracy']) def build_generator(self): def res_net(inputs, filters): x = inputs net = conv2d(x, filters // 2, (1, 1), 1) net = conv2d(net, filters, (3, 3), 1) net = net + x # net=tf.keras.layers.LeakyReLU(0.2)(net) return net def conv2d(inputs, filters, kernel_size, strides): x = tf.keras.layers.Conv2D(filters, kernel_size, strides, 'same')(inputs) x = tf.keras.layers.BatchNormalization()(x) x = tf.keras.layers.LeakyReLU(alpha=0.2)(x) return x d0 = tf.keras.layers.Input(shape=(10, 128, 128, 3)) out= ConvRNN2D(filters=32, kernel_size=3,padding='same')(d0) out=tf.keras.layers.Conv2D(3,1,1,'same')(out) return keras.Model(inputs=d0, outputs=out)

这个错误提示是因为在调用`build_discriminator`方法时，缺少了必要的参数`cell`。这表明您在`Model`类中定义了一个名为`build_discriminator`的方法，并且该方法需要一个名为`cell`的参数，但是在实例化`Model`对象时没有传递该参数。

您需要检查`build_discriminator`方法的定义，看看它是否确实需要`cell`参数，并且如果需要，您需要在实例化`Model`对象时传递该参数。

相关问题

tensorflow中TypeError: __init__() missing 1 required positional argument: 'cell'

### 回答1：
这个错误通常是由于在实例化RNN层时，没有指定cell参数引起的。在tensorflow2.x版本中，RNN层已经被检查，需要明确指定cell参数。以下是一个创建简单LSTM模型的例子：

import tensorflow as tf

model = tf.keras.Sequential([
    tf.keras.layers.LSTM(64, input_shape=(None, 10), return_sequences=True),
    tf.keras.layers.Dense(1)
])

在这个模型中，我们使用了一个LSTM层，输入的shape是(None, 10)，输出的shape也是(None, 10)，因为我们设置了return_sequences=True。如果不设置return_sequences=True，那么输出的shape将会是(None, 64)。在实例化LSTM层时，我们没有指定cell参数，因为LSTM层已经默认使用了LSTMCell。

如果你需要自定义RNN单元，那么你需要明确指定cell参数，例如：

class CustomCell(tf.keras.layers.Layer):
    def __init__(self, units, **kwargs):
        super(CustomCell, self).__init__(**kwargs)
        self.units = units
        self.state_size = units
        
    def build(self, input_shape):
        self.kernel = self.add_weight(
            shape=(input_shape[-1], self.units),
            initializer='uniform',
            name='kernel')
        self.recurrent_kernel = self.add_weight(
            shape=(self.units, self.units),
            initializer='uniform',
            name='recurrent_kernel')
        self.bias = self.add_weight(
            shape=(self.units,),
            initializer='zeros',
            name='bias')
        self.built = True
        
    def call(self, inputs, states):
        prev_output = states[0]
        h = tf.matmul(inputs, self.kernel)
        output = h + tf.matmul(prev_output, self.recurrent_kernel) + self.bias
        return output, [output]
 
model = tf.keras.Sequential([
    tf.keras.layers.RNN(CustomCell(64), input_shape=(None, 10), return_sequences=True),
    tf.keras.layers.Dense(1)
])

在这个例子中，我们自定义了一个RNN单元CustomCell，并在实例化RNN层时指定了cell参数。

### 回答2：
这个错误是因为在使用TensorFlow进行模型构建时，缺少了一个必需的位置参数'cell'。在TensorFlow中，'cell'是循环神经网络（RNN）中的一个重要组件，用于定义循环层的结构和行为。当构建循环神经网络时，我们需要在定义循环层时传入一个合适的循环单元（RNN cell）。

为了解决这个错误，我们需要确保在构建RNN模型时传入正确的循环单元参数。通常，我们可以使用TensorFlow中提供的RNN单元类，例如BasicRNNCell（基本RNN单元）、LSTMCell（长短期记忆单元）或GRUCell（门控循环单元）等来创建循环单元对象。然后，我们可以将这个循环单元作为参数传递给RNN层的构造函数。

下面是一个示例代码，演示了如何使用LSTM单元构建一个简单的循环神经网络模型：

import tensorflow as tf

# 定义LSTM单元
lstm_cell = tf.keras.layers.LSTMCell(units=64)

# 定义RNN层
rnn_layer = tf.keras.layers.RNN(cell=lstm_cell)

# 通过RNN层构建模型
model = tf.keras.models.Sequential()
model.add(rnn_layer)
model.add(tf.keras.layers.Dense(units=10, activation='softmax'))

# 打印模型结构
model.summary()

在上述代码中，我们首先创建了一个LSTM单元（LSTMCell），然后将该LSTM单元作为参数传递给RNN层的构造函数。最后，我们通过Sequential模型将RNN层和一个全连接层(Dense)组合起来构建模型。

通过这种方式，我们可以解决"TypeError: __init__() missing 1 required positional argument: 'cell'"错误，并成功构建带有适当单元的循环神经网络模型。

### 回答3：
这个错误是由于在使用TensorFlow时，没有正确初始化某个参数所导致的。具体来说，这个错误是因为在使用RNN模型时，没有正确传递一个名为"cell"的参数。

在TensorFlow中，循环神经网络(RNN)的实现需要使用一个叫做"cell"的对象，它定义了RNN中的基本单元。这个对象通常通过tf.keras.layers中的一些方法来创建，比如tf.keras.layers.SimpleRNNCell、tf.keras.layers.LSTMCell等。然后，这个cell对象可以通过tf.keras.layers.RNN或tf.keras.layers.SimpleRNN等高阶的RNN层来使用。

当出现上述错误时，说明在创建RNN对象时没有正确传递"cell"参数。为了解决这个问题，可以按照以下步骤进行操作：

1. 确保使用上述提到的合适的方法来创建cell对象，如tf.keras.layers.SimpleRNNCell或tf.keras.layers.LSTMCell。
2. 确保在使用RNN层时，将已创建的cell对象作为参数传递给RNN层的"cell"参数。

例如，正确的使用方式可能如下所示：

import tensorflow as tf

# 创建cell对象
cell = tf.keras.layers.SimpleRNNCell(units=64)

# 使用cell对象创建RNN层
rnn_layer = tf.keras.layers.RNN(cell)

# 继续定义其他结构

按照上述方式，可以正确创建RNN模型，并且避免出现"TypeError: __init__() missing 1 required positional argument: 'cell'"错误。

报错__init__() missing 1 required positional argument: 'length'

这个错误通常表示在创建某个对象时，没有传入必需的参数。具体来说，`__init__() missing 1 required positional argument` 错误通常是由于在创建对象时少传入了一个必需的参数导致的。

如果你遇到了这个错误，可以检查一下你创建对象时传入的参数是否与对象的定义相匹配。有可能是你在创建对象时漏掉了某个必需的参数，或者传入的参数数量或类型与对象定义不符。

例如，如果你创建一个需要一个参数 `length` 的对象，但是你没有传入 `length` 参数，就会出现 `__init__() missing 1 required positional argument: 'length'` 错误。在这种情况下，你需要将缺失的参数传入对象的构造函数中，例如：

obj = MyClass(length=10)  # 传入必需的参数 length

这样就可以避免出现 `__init__() missing 1 required positional argument` 错误。