TensorFlow 2.11.0中Adam优化器报无get_updates属性错误求助

错误原因分析 #

AttributeError: 'Adam' object has no attribute 'get_updates' 并非单纯版本不匹配问题，而是自定义损失/指标的写法不符合TensorFlow 2.x规范：

• TensorFlow 2.x的tf.keras.optimizers.Adam确实没有get_updates方法（该方法属于旧版独立Keras的优化器），如果你的自定义损失/指标函数内部直接调用了这个方法，就会触发错误。
• 你的编译代码中，metrics列表里的calculate_kl_loss(self)是直接调用函数并传入实例，这不符合要求——metrics需要传入的是可调用的函数对象，而非函数执行后的结果。

具体修复步骤 #

1. 修正VAE损失的处理方式（推荐方案） #

VAE的KL散度损失通常通过add_loss方法添加到模型中，而非作为metrics传入，更符合tf.keras的设计逻辑：

class VAE(tf.keras.Model):
    def __init__(self, latent_dim):
        super(VAE, self).__init__()
        self.latent_dim = latent_dim
        self.encoder = self.build_encoder()
        self.decoder = self.build_decoder()

    def build_encoder(self):
        # 示例编码器结构，可根据你的任务调整
        inputs = tf.keras.Input(shape=(28,28,1))
        x = tf.keras.layers.Flatten()(inputs)
        x = tf.keras.layers.Dense(256, activation='relu')(x)
        z_mean = tf.keras.layers.Dense(self.latent_dim)(x)
        z_log_var = tf.keras.layers.Dense(self.latent_dim)(x)
        z = self.sampling(z_mean, z_log_var)
        return tf.keras.Model(inputs, [z_mean, z_log_var, z])

    def sampling(self, z_mean, z_log_var):
        epsilon = tf.random.normal(shape=tf.shape(z_mean))
        return z_mean + tf.exp(0.5 * z_log_var) * epsilon

    def build_decoder(self):
        # 示例解码器结构，可根据你的任务调整
        latent_inputs = tf.keras.Input(shape=(self.latent_dim,))
        x = tf.keras.layers.Dense(256, activation='relu')(latent_inputs)
        x = tf.keras.layers.Dense(784, activation='sigmoid')(x)
        outputs = tf.keras.layers.Reshape((28,28,1))(x)
        return tf.keras.Model(latent_inputs, outputs)

    def call(self, inputs):
        z_mean, z_log_var, z = self.encoder(inputs)
        reconstruction = self.decoder(z)
        
        # 计算KL损失并添加到模型
        kl_loss = -0.5 * tf.reduce_mean(1 + z_log_var - tf.square(z_mean) - tf.exp(z_log_var))
        self.add_loss(kl_loss)
        
        return reconstruction

2. 修正compile方法 #

此时compile方法只需指定重建损失，KL损失会自动被模型纳入总损失计算：

def compile(self, learning_rate=0.0001):
    optimizer = tf.keras.optimizers.Adam(learning_rate=learning_rate)
    # 用MSE或交叉熵作为重建损失，根据你的任务选择
    self.compile(optimizer=optimizer, loss=tf.keras.losses.MSE)
    # 如果需要监控重建损失，可添加对应metrics
    # self.compile(optimizer=optimizer, loss=tf.keras.losses.MSE, metrics=[tf.keras.losses.MSE])

3. 检查自定义损失函数（若需保留） #

如果坚持使用自定义的_calculate_combined_loss，确保它的签名符合tf.keras损失函数要求，且内部没有调用optimizer.get_updates：

def _calculate_combined_loss(self, y_true, y_pred):
    # 计算重建损失
    recon_loss = tf.keras.losses.MSE(y_true, y_pred)
    recon_loss = tf.reduce_mean(recon_loss)
    # 获取KL损失（需确保模型中已计算并存储）
    kl_loss = self.kl_loss  # 假设你在call方法中把kl_loss存在实例变量里
    return recon_loss + kl_loss

同时，metrics列表要传入函数对象，而非调用后的结果：

# 错误写法：calculate_kl_loss(self)
# 正确写法：传入函数（若该函数不需要实例参数，需调整实现）
self.model.compile(optimizer=optimizer,
                   loss=self._calculate_combined_loss,
                   metrics=[_calculate_reconstruction_loss, calculate_kl_loss])

额外注意事项 #

• 避免在自定义损失/指标中直接操作优化器，tf.keras会自动处理梯度更新流程。
• TensorFlow 2.x中，tf.keras和独立keras的API存在差异，确保全程使用tf.keras下的类和方法，避免混用。

内容的提问来源于stack exchange，提问作者user19826638