损失函数中RaggedTensor转Tensor时出现AttributeError问题排查

1. Keras自动转换RaggedTensor为密集Tensor：Keras的训练循环默认会将RaggedTensor输入/输出转换为填充后的普通密集Tensor，以适配通用损失函数的处理逻辑。因此你的自定义损失函数接收到的参数已经是普通Tensor，而非RaggedTensor，调用仅RaggedTensor拥有的to_tensor()方法自然会触发AttributeError。
2. 数据处理环节的冗余操作：你定义的unexp函数中，squeeze(x, axis=1)尝试挤压可变长度维度（该维度长度不为1），此操作不会产生实际效果，但并非当前报错的直接原因。

方案一：直接使用内置支持RaggedTensor的MSE损失函数 #

TensorFlow内置的MeanSquaredError损失函数原生支持RaggedTensor，无需自定义损失函数，直接替换即可：

model.compile(
    loss=tf.keras.losses.MeanSquaredError(),
    optimizer="adam",
    metrics=[tf.keras.losses.MeanSquaredError()]
)

方案二：修改自定义损失函数适配密集Tensor #

既然损失函数接收的是填充后的密集Tensor，直接计算MSE即可，无需调用to_tensor()：

def cpu_mse(y_value, y_pred):
    with tf.device('/CPU:0'):
        return tf.keras.losses.MeanSquaredError()(y_value, y_pred)

model.compile(loss=cpu_mse, optimizer="adam", metrics=[cpu_mse])

（注：函数名改为cpu_mse更贴合实际功能）

方案三：自定义支持RaggedTensor的损失类（精细控制场景） #

如果需要手动控制RaggedTensor的损失计算逻辑，可以继承tf.keras.losses.Loss类实现：

class RaggedMSE(tf.keras.losses.Loss):
    def call(self, y_true, y_pred):
        with tf.device('/CPU:0'):
            # 按需判断并转换RaggedTensor
            if isinstance(y_true, tf.RaggedTensor):
                y_true = y_true.to_tensor()
            if isinstance(y_pred, tf.RaggedTensor):
                y_pred = y_pred.to_tensor()
            return tf.reduce_mean(tf.square(y_true - y_pred))

model.compile(loss=RaggedMSE(), optimizer="adam", metrics=[RaggedMSE()])

你的rag和unexp函数可以简化，直接生成符合模型输入要求的RaggedTensor：

def prepare_data(x, y):
    x = tf.expand_dims(x, -1)  # shape: (None, 1)
    y = tf.expand_dims(y, -1)
    return tf.RaggedTensor.from_tensor(tf.expand_dims(x, 0)), tf.RaggedTensor.from_tensor(tf.expand_dims(y, 0))

ds = ds.map(prepare_data).batch(32)
# 移除unexp映射，batch后的RaggedTensor维度已符合输入层要求：(32, None, 1)

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