Python 3.x TensorFlow 2.0中lambda函数的合成

为了在TensorFlow 2.0中构建一个大模型，我使用了一种函数方法，并利用了Python 3.6的

functools

模块。我通过显示特定自定义层的代码来说明这个问题

import tensorflow as tf
import functools
from collections.abc import Iterable


# TODO Check for correctness of the model implementation
class Unit3D(tf.keras.layers.Layer):
    def __init__(self, output_channels,
                 kernel_shape=(1, 1, 1),
                 stride=(1, 1, 1),
                 activation_fn='relu',
                 use_batch_norm=True,
                 use_bias=False,
                 is_training=False,
                 name='unit_3d'):
        super(Unit3D, self).__init__(name=name)
        self._output_channels = output_channels
        self._kernel_shape = kernel_shape
        self._stride = stride
        self._activation = activation_fn
        self._use_batch_norm = use_batch_norm
        self._use_bias = use_bias
        self._is_training = is_training
        self._pipeline = []
        self._pipeline.append(tf.keras.layers.Conv3D(
            filters=self._output_channels,
            kernel_size=self._kernel_shape,
            strides=self._stride,
            padding='same',
            use_bias=self._use_bias,
            data_format='channels_first'
        )
        )
        if self._use_batch_norm:
            bn = tf.keras.layers.BatchNormalization(
                axis=1,
                fused=False,
            )
            bn = functools.partial(bn, training=self._is_training)
            self._pipeline.append(bn)

        if self._activation is not None:
            self._pipeline.append(tf.keras.layers.Activation(
                activation=self._activation
            )
            )

        print(isinstance(self._pipeline, Iterable))
        print(type(self._pipeline))
        self._pipeline = lambda x: functools.reduce(lambda f, g: g(f), self._pipeline, x)

    def call(self, input):
        return self._pipeline(input)

当使用以下代码进行测试时，它返回

TypeError:reduce（）arg 2必须支持迭代

该错误与

\uuu init\uuu

方法中的

self.\u管道

中函数的组合有关

import tensorflow as tf
from nets.i3d import Unit3D

model = Unit3D(output_channels=64, kernel_shape=[7,7,7],
               is_training=True)

input = tf.keras.backend.random_uniform(shape=(1,3,64,224,224),
                                        dtype=tf.float32)
output = model(input)

在TensorFlow 2.0中，在急切执行期间，所有列表都被包装在称为

事实证明，这种数据结构是可移植的。我在

collections.abc

模块中使用Iterable类对其进行了测试

我无法理解这段代码的问题，也不确定这是TensorFlow 2.0中的内部问题，还是我这里缺少的基本问题

---

如果有帮助的话，我正在使用从

r2.0

分支的源代码编译的tensorflow版本

2.0.0-beta1

。相应的git散列是

8e423e3d56390671f0d954c90f4fd163ab02a9c1

我认为您的问题与Tensorflow无关

在这方面：

self._pipeline = lambda x: functools.reduce(lambda f, g: g(f), self._pipeline, x)

您正在使用函数覆盖先前在构造函数中创建的列表。因此，在lambda的实际执行过程中（特别是传递给reduce的lambda），它只是一个

函数

如果为了调试目的将外部lambda函数重构为常规函数，则会变得更加明显：

    def debug_func(x):
        print(type(self._pipeline))  # prints <class 'function'>
        return functools.reduce(lambda f, g: g(f), self._pipeline, x)

    self._pipeline = debug_func  # Clearly, no longer a list

    # ...
    self._pipeline_func = lambda x: functools.reduce(lambda f, g: g(f), self._pipeline, x)

def call(self, input):
    return self._pipeline_func(input)