TensorFlow 1.15中tf.while_loop内使用sess.run()与L-BFGS-B的报错解决

你遇到的InaccessibleTensorError本质是计算图内循环与外部优化工具的上下文冲突：

• tf.while_loop是TensorFlow计算图层面的循环构造，内部节点会被标记为不可直接获取；而ScipyOptimizerInterface是依赖Session.run()执行的外部优化工具，在图内循环的body函数里嵌套Session会彻底打乱张量的上下文关联，导致无法访问循环内部的节点。
• 代码里还有变量管理的硬伤：body函数内重复调用tf.get_variable获取同名变量，嵌套的Session还会重新初始化全局变量，完全破坏了外部计算图的状态。

既然ScipyOptimizerInterface是基于Python会话的优化工具，直接用Python原生while循环替代图内循环是最稳妥的方案，彻底规避上下文冲突：

修改后的代码：

import tensorflow as tf
import tensorflow_probability as tfp
import numpy as np

L = 2
E = tf.constant([[4.17022005e-01, 7.20324493e-01],[1.14374817e-04, 3.02332573e-01]], dtype=tf.float32)
loss_type = 'l2'
lambda1=0.0
rho = tf.constant(1.0, dtype=tf.float32)
h = tf.constant(np.inf, tf.float32)
w_new =  tf.zeros(([2 * L * L]), dtype=tf.float32)
h_new = tf.constant(0, dtype=tf.float32)
alpha = tf.constant(0, dtype=tf.float32)

# 初始化变量
w_est = tf.Variable(tf.random.uniform([2*L*L], dtype=tf.float32, name="fuck"))

def _func(w):
    # 补全你的损失函数和约束定义，原代码里没实现
    loss = tf.reduce_sum(tf.square(w - E)) + lambda1 * tf.norm(w, 1)
    return loss, []

# 统一管理Session，不要嵌套
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    itera = 0
    while itera < 10:
        # 初始化优化器
        optimizer = tf.contrib.opt.ScipyOptimizerInterface(
            _func(w_est)[0], constraints=_func(w_est)[1], options={'maxiter': 100})
        # 执行优化
        optimizer.minimize(sess)
        # 更新变量值
        w_new_val = sess.run(w_est)
        # 将更新后的值赋值给w_est（可选，若需要迭代传递优化结果）
        sess.run(w_est.assign(w_new_val))
        itera += 1
    # 输出最终结果
    print(sess.run(w_new_val))

改动说明：

• 去掉tf.while_loop，改用Python原生while循环，把优化操作放在会话上下文内执行
• 统一维护一个Session，避免嵌套会话导致的状态混乱
• 补全了原代码缺失的_func函数（你需要替换成自己的实际损失和约束逻辑）

如果必须在tf.while_loop内实现L-BFGS-B优化，可以用tfp.optimizer.lbfgs_minimize——这是计算图层面的优化器，不需要依赖外部Session.run()调用，完美适配图内循环：

示例代码：

import tensorflow as tf
import tensorflow_probability as tfp
import numpy as np

L = 2
E = tf.constant([[4.17022005e-01, 7.20324493e-01],[1.14374817e-04, 3.02332573e-01]], dtype=tf.float32)
loss_type = 'l2'
lambda1=0.0
rho = tf.constant(1.0, dtype=tf.float32)

def _func(w):
    # 定义损失函数和梯度计算
    loss = tf.reduce_sum(tf.square(w - E)) + lambda1 * tf.norm(w, 1)
    grads = tf.gradients(loss, w)[0]
    return loss, grads

# 初始化优化变量
w_est = tf.Variable(tf.random.uniform([2*L*L], dtype=tf.float32))
itera = tf.Variable(0, dtype=tf.int32)

def body(w_est, itera):
    # 用tfp的L-BFGS优化器执行一次优化
    def loss_and_grad(w):
        return _func(w)
    # 执行优化，获取更新后的变量值
    result = tfp.optimizer.lbfgs_minimize(
        loss_and_grad,
        initial_position=w_est,
        num_iterations=100,
        f_relative_tolerance=1e-6
    )
    # 更新变量和迭代次数
    w_est_updated = result.position
    itera_updated = itera + 1
    return w_est_updated, itera_updated

def cond(w_est, itera):
    return itera < 10

# 图内循环执行优化
final_w, final_itera = tf.while_loop(cond, body, [w_est, itera])

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print("最终优化结果：", sess.run(final_w))
    print("迭代次数：", sess.run(final_itera))

说明：

• tfp.optimizer.lbfgs_minimize直接在计算图内完成优化，返回更新后的变量位置，完全适配tf.while_loop的图内操作逻辑
• 需要定义损失函数和对应的梯度（也可以用自动微分），优化参数可以根据需求调整

内容的提问来源于stack exchange，提问作者xavi