Python 在tf.function中创建具有不同形状的变量

我试图训练一个网络，在这个网络中，从一个时代到另一个时代，我的可训练变量的形状将发生变化。我的训练步骤是这样的

@tf.function
def训练步骤（输入：tf.张量，
标签：tf.张量，
可培训内容：列表[tf.张量]，
优化器：tf.optimizers.optimizer，
损失：可赎回，
激活：可调用）：
def f（x，可培训人员）：
#算算
返回结果
使用tf.GradientTape（）作为磁带：
磁带、手表（样品）
yhat=激活（tf.矢量化映射（lambda vec:f（vec，可培训对象），输入））
损耗=损耗（标签，yhat）
梯度=磁带梯度（损失，可培训）
优化器。应用_梯度（zip（梯度，可训练））
退货损失，可培训人员

当我第一次运行它时，没有问题，所以第一个历元运行得很好，但是在第二个历元开始时，我想应用一些张量分解，它可以改变可训练变量的形状。因此，在第二个历元中，我得到了如下预期的错误

ValueError: tf.function-decorated function tried to create variables on non-first call.

这是由这一行生成的：

optimizer.apply_梯度（zip（梯度，可培训内容））

。其中说

tf.function

decorator不允许以不同的形状运行，这是出于效率原因可以理解的。但有没有办法在必要时强制它工作或重新编译

其中的PS表示存在类似的bug问题，但我不认为我的问题与bug有关，因为我没有使用常规的

模型
模块，而是简单地创建一个包含张量的
tf.Variable
列表，然后我将其插入这个
培训步骤

谢谢


Python 3.6
Tensorflow 2.4.1
操作系统：macOS Big Sur v11.1（也在Debian中试用过，同一版本）
最简单的方法可能是将
tf.function
用作函数，而不是装饰器。例如

def train_step():
    ...


some_variables = ...
train_step_compiled = tf.function(train_step)
train_step_compiled(some_variables, other_stuff)

some_variables = stuff_that_modifies_variable_shapes(some_variables)

train_step_compiled = tf.function(train_step)
train_step_compiled(some_variables, other_stuff)

我希望这种“口语化”的伪代码能够让人明白这一点——基本上，只要需要，您就可以显式地调用
tf.function
，例如，在更改变量之后，这样就可以用修改过的形状重新编译它。对函数调用
tf.function
，并使用返回的函数与将其用作装饰器是一样的