启用Eager Execution时遇AttributeError: Tensor.name未定义如何解决？

错误原因分析 #

• tf.control_dependencies在Eager模式下无效：Eager Execution是即时执行机制，不需要通过控制依赖管理操作顺序，该API仅适用于Graph模式。
• GradientTape使用逻辑错误：优化器实例化不应放在GradientTape上下文内，且del tape完全多余——Eager模式下上下文结束后磁带会自动释放。
• var_list参数类型错误：optimizer.minimize的var_list要求传入可训练的tf.Variable对象，而代码中的labels、outputs是普通张量，并非可训练变量，这是触发错误的核心原因。

修正后的代码示例 #

# 提前初始化优化器，无需放在GradientTape上下文内
optimizer = tf.keras.optimizers.SGD(lr, 0.9)

# GradientTape仅包裹需要计算梯度的前向计算过程
with tf.GradientTape() as tape:
    # 替换为你的实际前向计算逻辑，确保loss基于可训练变量生成
    # 示例：loss = your_loss_function(model_outputs, labels)
    pass

# 计算梯度，传入正确的可训练变量列表（比如模型的可训练参数）
grads = tape.gradient(loss, model_trainable_vars)
# 应用梯度完成参数更新
optimizer.apply_gradients(zip(grads, model_trainable_vars))

关键注意事项 #

• 若必须使用Graph模式，可关闭Eager执行：tf.compat.v1.disable_eager_execution()，但TensorFlow 2.x官方推荐优先使用Eager模式搭配GradientTape。
• 确认var_list中的元素均为tf.Variable，标签数据（如labels）通常无需作为优化对象，检查训练逻辑是否存在设计偏差。

内容的提问来源于stack exchange，提问作者Random