TensorFlow自定义损失函数中Tensor无法显示数组数值的问题求助

我明白你遇到的问题了——在官方教程里直接调用tf.convert_to_tensor()能打印出完整的张量数值，但到了自定义损失函数里就只能看到形状和数据类型，看不到具体的数组值。这背后的核心原因是计算图模式和Eager模式的差异。

问题根源 #

虽然你开启了tf.compat.v1.enable_eager_execution()，但当你编译Keras模型后，默认会切换到计算图模式运行。在计算图里，print(x)打印的是张量在计算图中的节点信息（比如loss_9/dense_29_loss/Const:0），而不是实际的数值。只有在Eager模式下直接执行代码时，才会输出张量的具体内容。

解决方案 #

下面分三步帮你解决这个问题，同时纠正代码里一个容易被忽略的错误：

1. 使用tf.print()替代Python原生print()

tf.print()是TensorFlow专门设计的打印操作，它会嵌入到计算图中，在图执行时（也就是训练过程中）输出张量的实际数值。你可以这样修改损失函数里的打印代码：

def constrained_mse(y_true, y_pred):
    mse = losses.mse(y_true, y_pred)
    x = tf.convert_to_tensor(call_X_train.values, dtype="float32")
    # 使用tf.print，summarize=-1表示打印所有元素（默认只打印前3后3）
    tf.print("当前张量x的数值：", x, summarize=-1)
    # ... 你的其他梯度计算代码

2. 确保模型全程运行在Eager模式

你现在在损失函数里设置model.run_eagerly = True是无效的，因为损失函数已经被封装到计算图里了。正确的做法是在模型编译前设置这个参数：

model = mlp3_call(n_hidden_layers, n_units)
model.run_eagerly = True  # 移到这里，确保模型在Eager模式下运行
model.compile(loss = constrained_mse, optimizer = keras.optimizers.Adam())

开启run_eagerly=True后，模型的所有操作都会在Eager模式下执行，张量会保留实际数值，方便调试。

3. 修正损失函数中输入数据的错误

你在损失函数里直接使用call_X_train.values是一个严重的问题：训练时模型每次处理的是batch批次数据，而不是整个训练集。你现在的代码会让梯度计算基于整个训练集，而不是当前正在训练的batch，这会导致训练逻辑错误，最终模型无法收敛。

正确的做法是使用当前batch的输入来计算梯度。你可以通过修改模型结构，让损失函数能获取到当前batch的输入：

def mlp3_call(n_hidden_layers, n_units):
    inputs = keras.Input(shape=(call_X_train.shape[1],))
    x = layers.LeakyReLU(alpha=1)(inputs)
    for _ in range(n_hidden_layers):
        x = hl(x, n_units)
    outputs = layers.Dense(1, activation=keras.activations.softplus)(x)
    model = keras.Model(inputs=inputs, outputs=outputs)
    
    # 在模型内部定义损失函数，直接使用当前batch的输入inputs
    def constrained_mse(y_true, y_pred):
        mse = losses.mse(y_true, y_pred)
        with tf.GradientTape() as tape:
            tape.watch(inputs)
            with tf.GradientTape() as tape2:
                tape2.watch(inputs)
                y_pred_current = model(inputs)
            grad_y = tape2.gradient(y_pred_current, inputs)
            # 对每个样本的对应特征求导，然后取均值匹配MSE的维度
            dy_dstrike = tf.reduce_mean(grad_y[:, 0])
            dy_dttm = tf.reduce_mean(grad_y[:, 1])
        # 计算二阶导数
        grad_y2 = tape.gradient(grad_y[:, 0], inputs)
        d2y_dstrike2 = tf.reduce_mean(grad_y2[:, 0])
        
        loss = mse + dy_dstrike + dy_dttm + d2y_dstrike2
        return loss
    
    model.compile(loss=constrained_mse, optimizer=keras.optimizers.Adam(), run_eagerly=True)
    return model

总结 #

按照上面的步骤修改后，你应该就能在训练过程中看到张量的具体数值了，同时训练逻辑也会更正确。核心就是区分计算图和Eager模式的差异，用TensorFlow原生的工具来处理图内的操作。

内容的提问来源于stack exchange，提问作者Wasonic