KerasCV DropBlock2D非Eager模式无法运行，需开启run_eagerly？

KerasCV 0.9.0版本的DropBlock2D层存在实现缺陷：在非Eager模式（Graph模式）下，层的call方法中使用Python内置int()函数处理符号张量（比如计算有效块位置时的dropblock_width // 2），但符号张量无法直接转换为Python整数，触发类型错误。开启run_eagerly=True会强制模型以Eager模式运行，此时张量为具体数值，因此能正常执行，但这违背了官方建议的仅将该参数用于调试的原则。

1. 自定义修复后的DropBlock2D层 #

复制KerasCV原DropBlock2D的实现代码，将所有涉及int()转换符号张量的逻辑替换为TensorFlow原生张量运算，避免Python类型转换：

import tensorflow as tf
from tensorflow import keras
from keras_cv.src import ops

class FixedDropBlock2D(keras.layers.Layer):
    def __init__(self, rate=0.1, block_size=(7, 7), seed=None, **kwargs):
        super().__init__(**kwargs)
        self.rate = rate
        self.block_size = block_size
        self.seed = seed
        self.drop_rate = rate
        self._rng = tf.random.Generator.from_seed(seed) if seed else tf.random

    def call(self, x, training=None):
        if training is None:
            training = keras.backend.learning_phase()

        if not training or self.drop_rate == 0.0:
            return x

        _, height, width, _ = x.get_shape().as_list()
        dropblock_height, dropblock_width = self.block_size

        # 用tf.cast替代int()，适配符号张量运算
        h_i = tf.range(height, dtype=tf.int32)
        w_i = tf.range(width, dtype=tf.int32)
        valid_block_h = tf.logical_and(
            h_i >= tf.cast(dropblock_height // 2, tf.int32),
            h_i < height - tf.cast((dropblock_height - 1) // 2, tf.int32),
        )
        valid_block_w = tf.logical_and(
            w_i >= tf.cast(dropblock_width // 2, tf.int32),
            w_i < width - tf.cast((dropblock_width - 1) // 2, tf.int32),
        )
        valid_block = tf.logical_and(valid_block_h[:, tf.newaxis], valid_block_w)
        valid_block = tf.reshape(valid_block, [1, height, width, 1])

        gamma = (self.drop_rate * height * width) / (
            dropblock_height * dropblock_width * tf.reduce_sum(tf.cast(valid_block, tf.float32))
        )

        random_noise = self._rng.uniform(x.shape, seed=self.seed)
        block_mask = tf.cast(random_noise < gamma, tf.float32)
        block_mask = block_mask * tf.cast(valid_block, tf.float32)

        block_mask = ops.max_pool2d(
            block_mask,
            pool_size=self.block_size,
            strides=(1, 1),
            padding="same",
        )

        keep_prob = 1.0 - block_mask
        output = x * keep_prob
        output = output / tf.reduce_mean(keep_prob)
        return output

    def get_config(self):
        config = super().get_config()
        config.update({
            "rate": self.rate,
            "block_size": self.block_size,
            "seed": self.seed,
        })
        return config

之后在模型中替换原层：

# 替换keras_cv.layers.DropBlock2D为自定义修复层
x = FixedDropBlock2D(rate=0.05, block_size=(14, 14))(x)

2. 调整KerasCV版本 #

KerasCV后续版本大概率修复了该符号张量兼容问题，可尝试升级到最新稳定版：

pip install --upgrade keras-cv

若最新版存在其他适配问题，也可尝试降级到0.8.x系列版本（需确认该版本无此缺陷）。

3. 临时替代方案（效果近似） #

如果不想修改代码或更换版本，可使用普通Dropout层作为应急替代，但注意DropBlock是区域丢弃，和普通Dropout的随机像素丢弃效果存在差异：

x = keras.layers.Dropout(rate=0.05)(x)

内容的提问来源于stack exchange，提问作者irowe