Tensorflow 在“预测”步骤上的Keras模型中禁用了急切执行`

为什么tensorflow在

tf.keras.Model

的

predict\u step

函数中禁用了急切执行？也许我弄错了什么，但这里有一个例子：

from __future__ import annotations
from functools import wraps
import tensorflow as tf

def print_execution(func):
    @wraps(func)
    def wrapper(self: SimpleModel, data):
        print(tf.executing_eagerly())  # Prints False
        return func(self, data)
    return wrapper

class SimpleModel(tf.keras.Model):
    def __init__(self):
        super().__init__()

    def call(self, inputs, training=None, mask=None):
        return inputs

    @print_execution
    def predict_step(self, data):
        return super().predict_step(data)

if __name__ == "__main__":
    x = tf.random.uniform((2, 2))
    print(tf.executing_eagerly())  # Prints True
    model = SimpleModel()
    pred = model.predict(x)

---

这是故意的行为吗？有没有办法强制

predict\u步骤

在紧急模式下运行？

如果要在紧急模式下运行

predict\u步骤

功能，可以按如下操作。请注意，它会将所有内容设置为渴望模式

import tensorflow as tf
tf.config.run_functions_eagerly(True)

通常

tf。函数

处于

图形

模式。使用上述语句，它们也可以设置为

Eager

模式

根据您的评论，好吧，如果您在编译模型时设置

run\u

，应该不会有任何区别。以下是官方声明

急切地跑：Bool。默认为False。如果为真，该模型的逻辑将不会被包装在tf中。功能。建议将其保留为“无”，除非您的模型无法在tf内运行。功能

---

关于第一个查询，为什么

TensorFlow

在

tf.keras.Model

的

predict\u step

函数中禁用了急切执行

---

其中一个主要原因是提供模型的最佳性能。它不仅具有

预测步骤

，而且还具有

训练步骤

和

测试步骤

。基本上

tf。KERA

模型被编译成静态图。为了使它们在急切模式下运行，需要执行上述方法。但请注意，在这种情况下使用“渴望”模式可能会降低您的训练速度。为了美好的集体，

tf。KERA

模型以图形模式编译。

您还可以在编译时设置

run\u急切地=True

，这也将产生预期的结果

model = SimpleModel()
model.compile(run_eagerly = True)
pred = model.predict(x)

结果:

True
True

---

似乎我也可以在模型内设置

self.run\u急切地=True

，你知道两者之间是否有区别吗？更新了这方面的答案。