TensorFlow自定义损失函数报错：Tensor无numpy属性求助

问题根源 #

在TensorFlow 2.x中，模型训练时默认进入图执行模式，此时损失函数中的张量是图张量，无法直接调用.numpy()方法——只有Eager模式下的即时张量才能使用该方法。你开启Eager Execution无效，是因为model.fit()会自动切换到图模式进行性能优化。

解决方案 #

方案一：重写贝塞尔曲线函数为TensorFlow原生实现（最优解）

将依赖numpy的bezier_curve改为纯TensorFlow操作，完全兼容图模式，性能更优。以De Casteljau算法为例：

import tensorflow as tf

def tf_bezier_curve(control_points, num_points=100):
    # 生成0到1之间的采样点
    t = tf.linspace(0.0, 1.0, num_points)
    t = tf.expand_dims(t, axis=-1)
    
    # De Casteljau算法计算贝塞尔曲线
    points = control_points
    while tf.shape(points)[0] > 1:
        points = (1 - t) * points[:-1] + t * points[1:]
    
    # 拆分x、y坐标并返回
    bezier_x = tf.squeeze(points[..., 0])
    bezier_y = tf.squeeze(points[..., 1])
    return bezier_x, bezier_y

修改后的损失函数（全TensorFlow操作）：

def custom_loss(y_true, y_pred):
    # 调整控制点形状（根据你的样本实际控制点数量调整，示例为单样本情况）
    control_true = tf.reshape(y_true, (-1, 2))
    control_true = tf.expand_dims(control_true, axis=0)
    control_pred = tf.reshape(y_pred, (-1, 2))
    control_pred = tf.expand_dims(control_pred, axis=0)
    
    true_bezier_x, true_bezier_y = tf_bezier_curve(control_true)
    pred_bezier_x, pred_bezier_y = tf_bezier_curve(control_pred)

    # 用TensorFlow原生操作计算误差
    error_x = true_bezier_x - pred_bezier_x
    error_y = true_bezier_y - pred_bezier_y
    square_sum = tf.square(error_x) + tf.square(error_y)
    rse = tf.sqrt(square_sum)
    mrse = tf.reduce_mean(rse)
    
    return mrse

方案二：用tf.py_function包装原numpy实现（临时方案）

如果暂时无法重写贝塞尔曲线函数，可通过tf.py_function将numpy函数包装为兼容图模式的操作：

import tensorflow as tf
import numpy as np

# 原numpy版本的贝塞尔曲线函数
def bezier_curve(control_points_np):
    num_points = 100
    t = np.linspace(0, 1, num_points)
    points = control_points_np
    while len(points) > 1:
        points = (1 - t[:, None]) * points[:-1] + t[:, None] * points[1:]
    return points[:, 0], points[:, 1]

def custom_loss(y_true, y_pred):
    control_true = tf.reshape(y_true, (-1, 2))
    control_pred = tf.reshape(y_pred, (-1, 2))
    
    # 包装numpy函数，指定输出张量类型
    def wrap_bezier(ctrl_tensor):
        return bezier_curve(ctrl_tensor.numpy())
    
    true_bezier_x, true_bezier_y = tf.py_function(
        func=wrap_bezier,
        inp=[control_true],
        Tout=[tf.float32, tf.float32]
    )
    pred_bezier_x, pred_bezier_y = tf.py_function(
        func=wrap_bezier,
        inp=[control_pred],
        Tout=[tf.float32, tf.float32]
    )

    # 后续误差计算用TensorFlow操作
    error_x = true_bezier_x - pred_bezier_x
    error_y = true_bezier_y - pred_bezier_y
    square_sum = tf.square(error_x) + tf.square(error_y)
    rse = tf.sqrt(square_sum)
    mrse = tf.reduce_mean(rse)
    
    return mrse

注意事项 #

• 方案二性能低于方案一，因为每次调用都会在TensorFlow图和numpy之间切换，无法被图优化。
• 损失函数中所有计算必须尽量使用TensorFlow原生操作，禁止混用numpy函数，否则会导致图模式兼容问题。

内容的提问来源于stack exchange，提问作者st30