使用@tffunction的Tensorflow2警告

此示例代码来自Tensorflow 2

writer = tf.summary.create_file_writer("/tmp/mylogs/tf_function")

@tf.function
def my_func(step):
  with writer.as_default():
    # other model code would go here
    tf.summary.scalar("my_metric", 0.5, step=step)

for step in range(100):
  my_func(step)
  writer.flush()

但它正在发出警告

警告：tensorflow:最近5次调用中有5次调用触发了tf.function Retracting。追踪是昂贵的 而过多的跟踪可能是由于传递了python 对象而不是张量。此外，tf.function还具有 experimental_relax_shapes=用于松弛参数形状的True选项 这样可以避免不必要的回溯。请参阅 还有更多 细节

---

有更好的方法吗？

tf。函数

有一些“特性”。我强烈建议阅读这篇文章：

在这种情况下，问题在于每次使用不同的输入签名进行调用时，函数都会被“回溯”（即构建一个新的图形）。对于张量，输入签名指的是形状和数据类型，但对于Python数字，每个新值都被解释为“不同”。在这种情况下，由于您使用一个每次都会更改的

step

变量调用该函数，因此该函数也会每次都被回溯。对于“真实”代码（例如，在函数内部调用模型），这将非常缓慢

您可以通过简单地将

步骤

转换为张量来修复此问题，在这种情况下，不同的值将不算作新的输入签名：

for step in range(100):
    step = tf.convert_to_tensor(step, dtype=tf.int64)
    my_func(step)
    writer.flush()

或者使用

tf.range

直接获取张量：

for step in tf.range(100):
    step = tf.cast(step, tf.int64)
    my_func(step)
    writer.flush()

---

这应该不会产生警告（而且速度要快得多）。

这个问题是否会导致代码执行速度变慢，而不使用

@tf.function

？否，因为这样就没有要构建/回溯的图形。

@tf.function

只采用张量而不是定标器类型。转换成张量很好。