Python 在带有@tf.function的自定义训练循环中使用tf.summary时出现问题

我想在自定义训练循环中使用

@tf.function

和

tf.summary

，如下所示。问题是：

• 仅显示第一次记录的数据（见图）
• 其余的数据会被记录（因为文件大小会增加），但它们不可显示，否则会有一个滑块。我猜这和图张量有关。。。不确定
• 另外，如果我为interval设置了if条件，所有结果都将被归类到一个组名con_3中

---

正确的摘要应如下所示：

• 对每个项目进行分类
• 使用滑块在不同时间显示结果：

---

我试图将收集过程移到

self.grad（）

之外，但它是由

@tf.function

修饰的，并且不允许将

图形张量

传递到外部

我想做的只是每隔一段时间做一次日志记录，而不是记录每个批次的结果

dataset_iter = iter(dataset)
for epoch in range(self.num_epochs):
    self.epoch_cnt.assign(epoch)
    self.optimizer.lr = self.lr_fn(epoch) 
    print("learning rate - epoch %d: " % epoch, self.optimizer.get_config()['learning_rate'])

    for i in tqdm(range(self.data_loader.steps_per_epoch),
                  desc='Epoch%d/%d' % (epoch+1, self.num_epochs)):
        self.batch_idx.assign(i)
        batch = dataset_iter.get_next()
        trainable_weights_all = self.get_trainable_weights()
        input_imgs, input_Ks = self.batch_processor.prepare_batch(batch[..., :3], batch[..., 3:])
        
        grads = self.grad(input_imgs, input_Ks, trainable_weights_all) # use @tf.function here
        self.optimizer.apply_gradients(zip(grads, trainable_weights_all))
        self.global_step.assign_add(1)

@tf.function    # turn off to debug, e.g. with plt
def grad(self, input_imgs, input_Ks, trainables):
    with tf.GradientTape() as tape:
        outputs = self.process_batch(input_imgs, input_Ks)
        total_loss = self.compute_losses(input_imgs, outputs)
        grads = tape.gradient(total_loss, trainables)
    
        if self.global_step % self.summary_freq == 0:
            tf.print("loss: ", self.losses['loss/total'], output_stream=sys.stdout)

        # collect data
        early_phase = self.batch_idx % self.summary_freq == 0 and self.global_step < 2000
        late_phase = self.global_step % 2000 == 0
        if early_phase or late_phase:
            print("colleting data in step ", self.global_step, " batch index ", self.batch_idx)
            with self.train_sum_writer.as_default():
                self.collect_summary(outputs)
            self.train_sum_writer.flush()

return grads

dataset\u iter=iter（数据集）
对于范围内的历元（self.num_历元）：
自我历元分配（历元）
self.optimizer.lr=self.lr\u fn（历元）
打印（“学习速率-历元%d:“%epoch，self.optimizer.get_config（）['learning_rate']））
对于tqdm中的i（范围（自数据加载程序每历元步数），
desc='Epoch%d/%d'（Epoch+1，self.num_Epoch））：
自批分配（i）
batch=dataset\u iter.get\u next（）
可训练重量=自身。获取可训练重量（）
input\u imgs，input\u Ks=self.batch\u processor.prepare\u batch（批[…，：3]，批[…，3:]）
grads=self.grad（输入imgs、输入Ks、可训练权重all）#此处使用@tf.function
自我优化。应用梯度（zip（梯度、可训练权重）
self.global\u step.assign\u add（1）
@tf.功能#关闭以进行调试，例如使用plt
def梯度（自我、输入、输入、可培训人员）：
使用tf.GradientTape（）作为磁带：
输出=自处理批处理（输入、输入）
总损耗=自计算损耗（输入、输出）
梯度=磁带梯度（总损耗，可培训）
如果self.global\u步骤%self.summary\u freq==0：
tf.print（“损失：”，自身损失['loss/total']，输出流=sys.stdout）
#收集数据
早期阶段=self.batch\u idx%self.summary\u freq==0，self.global\u步骤<2000
后期\u阶段=自我。全局\u步骤%2000==0
如果是早期\u阶段或晚期\u阶段：
打印（“在步骤中收集数据”，self.global\u步骤，“批次索引”，self.batch\u idx）
使用self.train\u sum\u writer.as\u default（）：
自我收集汇总（输出）
self.train\u sum\u writer.flush（）
返校生