OperatorNotAllowedInGraphError 仍然存在，启用了急切执行并添加了装饰器

Question

我正在努力在 tensorflow 中重现一个简单的代码。

我有自己定义的函数用作模型的度量。

这是一个简单的三元组损失函数（稍作修改），但如果我使用普通函数，问题还是一样的。

import pandas as pd

import numpy as np

import tensorflow as tf

from tensorflow.keras.activations import sigmoid

from tensorflow.keras import backend

from tensorflow.keras.models import Model, Sequential

from tensorflow.keras.layers import Input, Embedding, Flatten, Dense, Dropout, Lambda, dot, concatenate

@tf.function

def bpr_triplet_loss(inputs):

    anchor_latent, positive_item_latent, negative_item_latent  = inputs

    # BPR loss

    loss = 1.0 - backend.sigmoid(

        backend.sum(anchor_latent * positive_item_latent, axis=-1, keepdims=True) -

        backend.sum(anchor_latent * negative_item_latent, axis=-1, keepdims=True))

    return loss

def getModel(n_users, n_items, emb_dim = 20):

    # Input Layers

    user_input = Input(shape=[1], name = 'user_input')

    pos_item_input = Input(shape=[1], name = 'pos_item_input')

    neg_item_input = Input(shape=[1], name = 'neg_item_input')

    # Embedding Layers

    # Shared embedding layer for positive and negative items

    user_embedding = Embedding(output_dim=emb_dim, input_dim=n_users + 1, input_length=1, name='user_emb')(user_input)

    item_embedding = Embedding(output_dim=emb_dim, input_dim=n_items + 1, input_length=1, name='item_emb')

    pos_item_embedding = item_embedding(pos_item_input)

    neg_item_embedding = item_embedding(neg_item_input)

    user_vecs = Flatten()(user_embedding)

    pos_item_vecs = Flatten()(pos_item_embedding)

    neg_item_vecs = Flatten()(neg_item_embedding)

    # Triplet loss function 

    output = concatenate([user_vecs, pos_item_vecs, neg_item_vecs])

    loss = Lambda(bpr_triplet_loss, (1,))(output)

    model = Model(inputs=[anchor, positive, negative], outputs=loss)

    model.compile(optimizer='Adam', loss='mse',

                  metrics=["mae"])

当我运行此代码时，我收到以下（开始令人沮丧）错误

注意 我在 Tensorflow 2.0.0 中的tf.executing_eagerly()状态True




Answer 1

错误消息是错误的，因此这是错误报告中的错误。主要问题是 autograph 目前不处理张量解包。它隐藏在多层堆栈跟踪中，但这是指向错误的行： &nbsp;&nbsp;&nbsp;&nbsp;<ipython-input-2-d2d9c7117621>:15&nbsp;bpr_triplet_loss&nbsp;&nbsp;* &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;anchor_latent,&nbsp;positive_item_latent,&nbsp;negative_item_latent&nbsp;&nbsp;=&nbsp;inputs所以你必须手动解包张量：anchor_latent, positive_item_latent, negative_item_latent = tf.unstack(inputs)