我通过子类的方法构建模型，在call方法中用到了reshape，我的做法是对于call方法传进来的inputs参数，我通过inputs.shape获取了形状:b，h，w，c。然后后面reshape的时候是进行了tf.reshape(x,[b,hw,c])的操作。前向反向传播都没有任何问题。但是调用save_model保存模型的时候提示我reshape这一行出现了异常，提示[None, 20480, 48]的None的list不能转换为tensor。
并且采用model.fit也会这样提示。正如您所说，创建动态图是形状还没有确定。于是我更改了reshape的使用方法，将tf.reshape(x,[b,hw,c])更改成了tf.reshape(x,[-1,h*w,c])也就是让其自动推断出batchsize大小。这样一来可以顺利保存模型。但是这样一来，在训练的途中会出现莫名的错误，有时候是concat的时候提示形状不一样，提示batchsize纬度不同。
规范的使用方法应该是什么呢？
根据问题描述，使用tf.reshape操作时遇到了保存模型时的异常以及训练过程中的错误。根据参考资料中的代码示例，可以看出tf.reshape的使用方法是正确的。因此，可能出现问题的地方可能是其他地方代码的问题。
首先，我们需要确认输入张量x的形状是否与模型构建时的输入形状一致。如果输入形状不一致，那么产生的错误可能与tf.reshape无关。
接下来，我们可以查看训练过程中出错的地方。按照问题描述，有时是concat操作时形状不一致，有时是批量大小（batch_size）维度不同。这些错误提示可能是由于在批处理样本时，样本的形状不一致导致的。因此，我们需要检查数据集是否有错误，确保所有样本的形状是一致的。
如果确认输入形状和数据集都是正确的，那么问题很可能出现在模型的其他部分。我们需要仔细检查模型的其他操作，例如concat操作和其他自定义的操作，以确保它们正确处理输入的形状。
总之，根据给出的参考资料和问题描述，我无法确定问题的具体原因，也无法给出具体的解决方案。因此，我建议先检查输入形状和数据集是否正确，然后仔细检查模型的其他操作。如果问题仍然存在，可能需要更多的信息才能解决该问题。