Python “急切执行”函数的输入不能作为符号张量

我正试图在

tf.Keras

（TensorFlow 2.0.0rc0）中为具有稀疏注释数据的三维U型网络实施与样本和像素相关的损失加权（Cicek 2016，arxiv:1606.06650）

这是我的代码：

将numpy导入为np
导入tensorflow作为tf
从tensorflow.keras导入图层、损耗、模型
#禁用“急切执行”可使此示例正常工作：
#tf.python.framework_ops.disable_eager_execution（）
def get_loss_fcn（w）：
def丢失fcn（y_真，y_pred）：
损耗=w*损耗.mse（y_真，y_pred）
回波损耗
退货损失
数据x=np.random.rand（5,4,1）
数据w=np.random.rand（5,4）
数据y=np.random.rand（5,4,1）
x=层。输入（[4,1]）
w=层。输入（[4]）
y=层。激活（'tanh'）（x）
模型=模型。模型（输入=[x，w]，输出=y）
损耗=获取损耗fcn（模型输入[1]）
#使用另一个损耗也能使其起作用：
#损失='mse'
model.compile（损失=损失）
模型拟合（（数据x，数据w），数据y）
打印（'完成'）

这在禁用急切执行时运行良好，但TensorFlow 2的一个要点是默认情况下具有急切执行。我和该目标之间的障碍是自定义丢失函数，正如您所看到的（使用

'mse'

作为丢失也会删除该错误）：

---

还有其他想法吗？

另一种解决方案是将权重作为额外的输出特性而不是输入特性传递

这使模型完全没有任何与权重相关的内容，权重仅出现在损失函数和

.fit（）

调用中：

import numpy as np
import tensorflow as tf
from tensorflow.keras import layers, losses, models

data_x = 2 * np.ones((7, 11, 15, 3), dtype=float)
data_y = 5 * np.ones((7, 9, 13, 5), dtype=float)

x = layers.Input(data_x.shape[1:])
y = layers.Conv2D(5, kernel_size=3)(x)
model = models.Model(inputs=x, outputs=y)


def loss(y_true, y_pred):
    (y_true, w) = tf.split(y_true, num_or_size_splits=[-1, 1], axis=-1)
    loss = tf.squeeze(w, axis=-1) * losses.mse(y_true, y_pred)

    tf.print(tf.math.reduce_mean(y_true), "== 5")
    tf.print(tf.math.reduce_mean(w), "== 3")

    return loss


model.compile(loss=loss)

data_w = 3 * np.ones((7, 9, 13, 1), dtype=float)
data_yw = np.concatenate((data_y, data_w), axis=-1)
model.fit(data_x, data_yw)

一个缺点仍然是，当在

numpy.stack（）

中合并

y

和

w

时，您需要操作（可能）大型数组，因此，我们将更喜欢TensorFlow。

另一种方法：

from tensorflow.keras import layers, models, losses
import numpy as np

def loss_fcn(y_true, y_pred, w):
    loss = w * losses.mse(y_true, y_pred)
    return loss


data_x = np.random.rand(5, 4, 1)
data_w = np.random.rand(5, 4)
data_y = np.random.rand(5, 4, 1)

x = layers.Input([4, 1])
y_true = layers.Input([4, 1])
w = layers.Input([4])
y = layers.Activation('tanh')(x)


model = models.Model(inputs=[x, y_true, w], outputs=y)
model.add_loss(loss_fcn(y, y_true, w))


model.compile()
model.fit((data_x, data_y, data_w))

---

我认为这是最优雅的解决方案。

如果将fit行替换为

model.fit((data_x, data_y, data_w))

因此：

---

此外，我发现在loss Function中实现的tf.reduce_mean、K.mean、tf.square、tf.exp等也会导致相同的错误。

您是否尝试过不使用.fit（）直接进行训练，例如：@vgoklani，还没有。谢谢你的提示！问题是你失去了很多keras的便利性（即回调）。我为此提出了一个问题：你能解释一下为什么这样做吗？我有一个想法，但我不确定我是否理解它背后的概念。你是说

y\u true

是我的MWE遇到问题的张量，而不是

w

？因为我在

w

@bers中没有看到任何变化，所以我认为问题在于函数使用符号张量返回内部函数。使用返回符号张量的函数，而不是函数，因为返回的符号张量是惰性计算的。@feature\u engineer这是有道理的，但如果我这样做，我得到的是

ValueError:没有为任何变量提供梯度：[……]

-知道为什么会发生这种情况吗？

model.fit((data_x, data_y, data_w))

import numpy as np
import tensorflow as tf
from tensorflow.keras import layers, losses, models


# HERE
def loss_fcn(y_true, y_pred):
    w = y_pred[:, :, -1]  # HERE
    y_pred = y_pred[:, :, :-1]  # HERE
    loss = w * losses.mse(y_true, y_pred)
    return loss


data_x = np.random.rand(5, 4, 1)
data_w = np.random.rand(5, 4, 1)  # HERE
data_y = np.random.rand(5, 4, 1)

x = layers.Input([4, 1])
w = layers.Input([4, 1])  # HERE
y = layers.Activation('tanh')(x)
output = layers.Concatenate()([y, w])  # HERE
model = models.Model(inputs=[x, w], outputs=output)  # HERE
loss = loss_fcn  # HERE

model.compile(loss=loss)
model.fit((data_x, data_y, data_w))

print('Done.')