Numpy 为什么GPflow'；s Scipy优化器与使用tf.function修饰优化步骤不兼容？

我提供不同的小批量优化GPflow模型（SVGP）。如果我用

tf.函数装饰
optimization\u步骤
，我会得到以下错误：

NotImplementedError:无法将符号张量（concat:0）转换为
numpy数组。此错误可能表示您正试图通过
不支持NumPy调用的张量

为了让优化器运行，我不得不删除
tf.function
decorator，失去了加速的优势。为了继续使用
tf.function
decorator，我需要更改什么

xAndY
输入的形状和类型都是
numpy
数组

类型（xAndY）
Out[71]：元组
xAndY[0]。形状
Out[72]：（245760,2）
xAndY[1]。形状
Out[73]：（245760,1）
类型（xAndY[0]）
Out[74]：numpy.ndarray

def run_optimizer_on_minibatch_size（模型、迭代、minibatch_size、xAndY）：
"""
运行Scipy优化器的实用程序函数
：param model:GPflow model
：参数迭代次数：迭代次数
"""
N=xAndY[0]。形状[0]
张量_数据=元组（映射（tf.convert_to_tensor，xAndY））
train_dataset=tf.data.dataset.from_tensor_切片（tensor_data）.repeat（）.shuffle（N）
logf=[]
国际热核试验堆=国际热核试验堆（国际热核试验堆数据集批量（小批量））
培训损失=模型。培训损失关闭（培训iter，编译=真）
optimizer=gpflow.optimizers.Scipy（）
@tf.function必须移除这个装饰器
def优化_步骤（）：
最小化（训练损失、模型、可训练变量）
#步长=0
对于步进范围（迭代）：
优化步骤（）
如果步骤%10==0：
elbo=-training_loss（）.numpy（）
logf.append（elbo）
印刷品（厄尔博）
返回日志
从gpflow.ci_utils导入ci_niter
最大值=单位（20000）
logf=在小批量大小（m，最大，小批量大小，（X，Y））上运行优化程序
GPflow的
GPflow.optimizers.Scipy（）
是围绕Scipy的minimize（）的包装，当它调用非TensorFlow操作时，您不能将其包装在
tf.function
中。此外，Scipy的minimize中实现的优化器是二阶方法，它们假设梯度不是随机的，并且与minibacking不兼容

如果您想使用Scipy进行全批量优化：默认情况下，
gpflow.optimizers.Scipy（）
的
minimize（）
方法会将目标和梯度计算封装在
tf.function
中（请参阅其
compile
参数的默认值
True
）。它还进行完全优化，因此您只需调用
minimize（）
方法一次（默认情况下，它运行到收敛或无法继续优化为止；您可以使用
options=dict（maxiter=1000）
参数提供最大迭代次数）

如果您想使用迷你批处理：只需使用一个TensorFlow优化器，例如
tf.optimizers.Adam（）
，那么您的代码应该运行良好，包括
@tf.function
函数上的
函数（在这种情况下，您确实需要像示例中那样在循环中调用它）。
，将函数编译为可调用的TensorFlow图，因此它只接受一个tensor类型。你可以使用我认为行
tensor\u data=tuple（map（tf.convert\u to\u tensor，xAndY））
已经这样做了。可能在某个地方缺少另一个转换…
train\u iter=iter（train\u dataset.batch（minibatch\u size））
，这也应该是同样的问题，一般来说tensorflow图不能直接处理非tensorflow代码，限制在其范围内，所以
中的所有python代码都可以在minibatch\u size（…）上运行优化程序，尝试转换优化器。最小化（训练损失、模型、可训练变量）
、参数。