Tensorflow.js:Tensor在使用tanh或sigmoid时处理了错误，但没有使用relu激活函数

在TensorFlow.js中，我创建了一个具有3个密集层的顺序神经网络，当我将激活函数设置为“relu”时，该网络会工作，但当我尝试“tanh”或“sigmoid”时，它会抛出错误，“error:Tensor is disposed”

我做了一个模型总结，以验证更改激活函数不会改变网络结构或参数编号。我还试着注释了我正在使用的

tf.tidy

这是我的模型：

constmymodel=tf.sequential（）；
add（tf.layers.dense（{units:64，inputShape:[1]，activation:'tanh'}））；
add（tf.layers.dense（{units:64，inputShape:[1]，激活：'relu'}））；
add（tf.layers.densite（{units:1}））；

将

'tanh'

切换到

'relu'

可以解决问题，但我不知道为什么

这是我的培训代码：

优化器。最小化（（）=>{
设输入=tf.tensor2d（x_vals）；
让预测=myModel.PredictionBatch（输入）；
设totaloss=tf.损失.均方误差（tf.张量2d（y_vals），预测）；
返回总OSS；
});

完整代码段（运行一秒钟）：

x\u vals=[
[1],
[2],
[3],
[4],
[5]
];
y_vals=[
[1],
[2],
[3],
[4],
[5]
];
常量优化器=tf.train.adam（.005）；
const myModel=tf.sequential（）；
add（tf.layers.dense（{units:64，inputShape:[1]，activation:'tanh'}））；
add（tf.layers.dense（{units:64，activation:'relu'}））；
add（tf.layers.densite（{units:1}））；
myModel.summary（）；
优化程序。最小化（（）=>{
设输入=tf.tensor2d（x_vals）；
让预测=myModel.PredictionBatch（输入）；
设totaloss=tf.损失.均方误差（tf.张量2d（y_vals），预测）；
返回总OSS；
});
曲线=[]；
for（设i=0；i
该问题与激活层无关。很可能您正在使用的张量已经在
tf.tidy
回调中释放

下面是一个使用
tanh
和
sigmoid
激活层的简单序列模型

const model = tf.sequential({
    layers: [
      tf.layers.dense({ units: 64, inputShape: [1], activation: 'tanh' }),
      tf.layers.dense({ units: 64, inputShape: [1], activation: 'sigmoid' }),
      tf.layers.dense({ units: 1 })
    ]
});
model.compile({optimizer: 'sgd', loss: 'meanSquaredError'});
for (let i = 1; i < 5 ; ++i) {
  const h = await model.fit(tf.ones([8, 1]), tf.ones([8, 1]), {
      batchSize: 4,
      epochs: 3
  });
  console.log("Loss after Epoch " + i + " : " + h.history.loss[0]);
}

const model=tf.sequential({
图层：[
密集（{units:64，inputShape:[1]，激活：'tanh'}），
密集（{units:64，inputShape:[1]，激活：'sigmoid'}），
密度（{units:1}）
]
});
compile（{optimizer:'sgd'，loss:'meanSquaredError'}）；
for（设i=1；i<5；++i）{
常数h=等待模型拟合（tf.ones（[8,1]），tf.ones（[8,1]）{
批量大小：4，
时代：3
});
console.log（“历元后的损失”+i+：“+h.history.Loss[0]）；
}
我从代码中删除了所有
tf.tidy
回调和
dispose
调用，但我仍然遇到同样的问题。有趣的是，当我使用
model.fit
而不是
optimizer.minimize
时，这个问题就消失了。我提供了一个完整的代码片段来运行，也许这将有助于澄清。我想知道是否应该将此作为一个bug发布在Tensorflow.js Github页面上。