Tensorflow tf.data input pipeline、动态成形张量和切片：未实现错误：无法将符号张量（args_0:0）转换为numpy数组

我正在尝试使用tensorflow和

tf.data

编写有效的数据输入。 我想复制

PIL.Image.Image.crop

的功能，其中可以传递负的边界框值，以便裁剪用零展开

例如，如果我调用

PIL.Image.Image.crop（[-10，0，img\u height，img\u width]）

，则图像在开始时有10行额外的行，这些行用零填充

据我所知，在tf.data输入管道中使用python函数可以显著降低代码的速度，因此我尝试使用tensorflow函数编写所有代码。我还想使用API已经提供的预取、批处理、洗牌等

我使用tensorflow函数实现PIL裁剪的计划是预先分配一个（动态成形的）零张量，并使用切片分配裁剪值

这就是我遇到的错误：

NotImplementedError:无法将符号张量（args_2:0）转换为numpy数组。此错误可能表示您正试图将张量传递给NumPy调用，这是不受支持的

以下是复制此问题的最少代码：

将tensorflow导入为tf
ds2=tf.data.Dataset.from_tensor_切片（np.arange（10））
def预处理程序（编号）：
o=tf.零（（数字，数字））
# ...
ds2.map（预编程）

问题1:我如何解决这个问题

问题2:我来自PyTorch的背景，我对整个tf.data管道的复杂性感到困惑。为什么我只使用tensorflow函数来使用所有好的特性

---

作为参考，这里是我到目前为止的完整代码

类My预处理：
定义调用（自，*数据）：
#为了简单起见，省略了完整的代码。
#这被称为：
自我。_作物（…）
def_裁剪（自身、img、中心、车身尺寸、分辨率）：
tl=tf.cast（中心-阀体尺寸/2，数据类型=tf.int32）
br=tf.cast（中心+主体尺寸/2，数据类型=tf.int32）
高度、宽度=tf.形状（img）[0]，tf.形状（img）[1]
crop_tl=tf.stack([
tf.cond（tl[0]<0，lambda:tf.constant（0，dtype=tf.int32），lambda:tl[0]），
tf.cond（tl[1]<0，lambda:tf.constant（0，dtype=tf.int32），lambda:tl[1]））
作物br=tf.stack([
tf.cond（br[0]>高度，λ：高度，λ：br[0]），
tf.cond（br[1]>width，lambda:width，lambda:br[1]））
裁剪=tf.image.crop\u到\u边界\u框(
img，
crop_tl[0]，
crop_tl[1]，
裁剪br[0]-裁剪tl[1]，
作物\u br[1]-作物\u tl[1]）
new_tl=裁剪_tl-tl
新建\u br=作物\u br-tl
#错误：
new_img=tf.zeros（（body_size，body_size，tf.constant（3）），dtype=tf.float32）
新建图片组[新建图片组[0]：新建图片组[0]、新建图片组[1]：新建图片组[1]。分配（裁剪）
返回tf.image.resize（新图片，（分辨率，分辨率））

---

编辑：完整堆栈跟踪

---------------------------------------------------------------------------
NotImplementedError回溯（最后一次调用）
在里面
8     # ...
9
--->10 ds2.地图（预编程）
映射中的~/Documents/projects/hpe/venv/lib/python3.8/site-packages/tensorflow/python/data/ops/dataset\u ops.py（self、map\u func、num\u parallel\u调用、确定性）
1923 warnings.warn（“deterministic”参数无效，除非”
1924“`num_parallel_calls`参数已指定。”）
->1925返回MapDataset（self，map_func，preserve_cardinality=True）
1926年其他：
1927返回ParallelMapDataset(
~/Documents/projects/hpe/venv/lib/python3.8/site-packages/tensorflow/python/data/ops/dataset\u ops.py in\uuuuuuuu init\uuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuu（self，输入数据集，映射函数，使用内部操作并行，保留基数，使用遗留函数）
4481 self._use_inter_op_parallelism=use_inter_op_parallelism
4482 self.\u preserve\u cardinality=preserve\u cardinality
->4483自映射函数=StructuredFunctionWrapper(
4484 map_func，
4485 self.\u transformation\u name（），
~/Documents/projects/hpe/venv/lib/python3.8/site-packages/tensorflow/python/data/ops/dataset\u ops.py in\uuuuu init\uuuuuuuuuu（self、func、transformation\u name、dataset、input\u类、input\u形状、input\u类型、input\u结构、将\u添加到图中、使用\u legacy\u函数、defun\u kwargs）
3710 resource_tracker=tracking.ResourceTracker（）
3711带有跟踪。资源跟踪者范围（资源跟踪者）：
->3712自身功能=fn工厂（）
3713#在急切模式下没有可添加的图形。
3714将_添加到_图&=非上下文。急切地执行_（）
获取具体函数（self，*args，**kwargs）中的~/Documents/projects/hpe/venv/lib/python3.8/site-packages/tensorflow/python/eager/function.py
3132或'tf.Tensor'或'tf.TensorSpec'。
3133     """
->3134图形\函数=自我。\获取\具体\函数\垃圾\收集(
3135*args，**kwargs）
3136 graph_function._garbage_collector.release（）35; pylint:disable=受保护的访问
~/Documents/projects/hpe/venv/lib/python3.8/site-packages/tensorflow/python/eager/function.py in\u get\u concrete\u function\u garbage\u collected（self，*args，**kwargs）
3098 args，kwargs=无，无
3099带自锁：
->3100图形函数，可以定义函数（args，kwargs）
3101 seen_names=set（）
3102 captured=object_identity.ObjectIdentitySet(
~/Documents/projects/hpe/venv/lib/python3.8/site-packages/tensorflow/python/eager/function.py在函数（self、args、kwargs）中
3442
3443自.\u函数\u缓存.missed.add（调用上下文\u键）
->3444图形函数=self.\u创建图形函数（args，kwargs）
3445 self.\u function\u cache.primary[cache\u key]=图形函数