TensorFlow报错：无法迭代符号tf.Tensor的问题咨询

当Keras模型在图模式下运行时（训练阶段默认启用图模式），tf.range()返回的是符号Tensor，而Python原生for循环无法遍历符号Tensor——图模式的核心是先构建计算图结构、再执行计算，Python循环属于即时执行逻辑，无法被TensorFlow的计算图引擎识别转换。

AutoGraph虽会尝试将Python代码转为图兼容代码，但遍历符号Tensor属于它无法处理的场景，因此抛出错误。

以下是几种可行的替代方案：

方案1：用tf.while_loop实现循环逻辑 #

替换Pythonfor循环为TensorFlow原生的tf.while_loop，它能被图模式正确识别：

import tensorflow as tf
class MyModel1(tf.keras.Model):
    def __init__(self, input_text_processor, *args, **kwargs):
        super().__init__(*args, **kwargs)
        self.input_text_processor = input_text_processor
    def call(self, data, training=True, max_len=50):
        inputs = self.input_text_processor(data)
        # 获取循环次数
        loop_count = tf.shape(inputs)[1]
        # 初始化循环变量
        i = tf.constant(0)
        
        def loop_condition(i):
            return tf.less(i, loop_count)
        
        def loop_body(i):
            # 此处编写原循环内的逻辑
            pass
            return i + 1
        
        # 执行循环
        tf.while_loop(loop_condition, loop_body, [i])
        return []

    def train_step(self, data):
        self.call(data)
        return {"loss" : 0}

方案2：AutoGraph兼容的固定次数循环写法 #

如果循环次数是固定值（比如你最初代码里的tf.range(10)），可将循环逻辑包裹在@tf.function装饰的子函数中，AutoGraph会自动转换为图兼容操作：

class MyModel(tf.keras.Model):
    ...
    def call(self, data, training=True, max_len=50):
        ...
        @tf.function
        def fixed_loop():
            for _ in tf.range(10):
                # 循环逻辑
                pass
        fixed_loop()
        return ...

注意：若循环次数依赖输入张量形状（动态值），该写法可能仍有问题，优先用tf.while_loop。

方案3：向量化操作替代循环（最优推荐） #

如果循环内的逻辑可以用TensorFlow向量化操作实现，这是最优解——向量化操作在图模式下效率更高，也更符合TensorFlow的设计理念，比如将逐次操作改为对张量的批量处理，彻底避免显式循环。

启用即刻执行（Eager Execution）不会报错，是因为Eager模式下Tensor会即时求值，tf.range()返回可直接遍历的实际值，但Eager模式训练效率远低于图模式，因此并非合理的长期解决方案。

内容的提问来源于stack exchange，提问作者Alberto