使用tf.data构建输入管道时遇OperatorNotAllowedInGraphError错误求助

问题根源 #

1. 数据集构建错误：你将zip(data.reference_image, data.drawing)的结果加入列表，zip返回的是Python迭代器，TensorFlow无法将其解析为合法的张量结构，导致后续map函数接收的是单个Tensor而非预期的路径元组。
2. tf.function中的非法操作：在计算图模式下，zip(*a_training_datapoint)属于Python迭代操作，TensorFlow图不允许这类非图兼容的操作来处理张量。

修正步骤 #

1. 修复数据集构建代码 #

将存储zip对象改为直接存储路径元组：

test_dataset_list = []
for data in test_set:
    # 直接存储(参考图像路径, 绘图路径)的元组，而非zip迭代器
    test_dataset_list.append( (data.reference_image, data.drawing) )

之后将列表转为tf.data.Dataset时，每个元素会被正确识别为包含两个路径张量的元组。

2. 修改load_image_train函数 #

移除非法的zip(*...)操作，直接从输入元组中解包路径，同时将调试用的print替换为tf.print（因为print在图模式下不会执行）：

@tf.function
def load_image_train(a_training_datapoint):
    tf.print(type(a_training_datapoint))
    tf.print("here 1")
    # 直接解包输入元组，这是TensorFlow图兼容的操作
    real_image_path, drawing_path = a_training_datapoint
    tf.print("here 2")
    real_image = convert_images_to_tensor(real_image_path)
    tf.print("here 3")
    drawing_image = convert_images_to_tensor(drawing_path)
    real_image, drawing_image = random_jitter(real_image, drawing_image)
    real_image, drawing_image = normalize(real_image, drawing_image)
    return real_image, drawing_image

额外说明 #

• tf.data管道要求输入元素是张量或张量组成的结构（元组、字典等），Python迭代器无法被图模式正确处理，必须提前转换为明确的张量结构。
• @tf.function装饰的函数会进入计算图模式，所有操作必须是TensorFlow原生支持的图操作，Python的迭代、解包操作仅能用于已知结构的张量元组/列表，不能用zip(*...)这类动态迭代方式。

内容的提问来源于stack exchange，提问作者Spencer