VS Code调试Keras/TensorFlow代码：自定义Layer跳转至自动生成文件问题

问题场景：使用Visual Studio Code调试自定义Keras Layer时，即便已设置tf.config.run_functions_eagerly(True)，调试layer_dummy的call方法仍会跳转至自动生成的autograph_generated文件，而非原Python代码，且该问题由Keras Input Layer触发。

测试代码如下：

import tensorflow as tf

from tensorflow.keras import layers
from tensorflow.keras.models import Model

print("TensorFlow version:", tf.__version__)

tf.config.run_functions_eagerly(True)

class layer_dummy(layers.Layer):
    def __init__(self, **kwargs):
        super(layer_dummy, self).__init__(**kwargs)

        c_init = tf.ones_initializer()
        self.c = tf.Variable(
            initial_value=c_init(shape=[1,10]),
            trainable=True,
            name="dummy_var",
        )

    def call(self, x):
        return self.c + x


def make_dummy_model():
    vin = tf.keras.Input(shape=([1, 10]))
    ldummy = layer_dummy()
    vout = ldummy(vin)
    dummy_model = Model(inputs=vin, outputs=vout)
    return dummy_model


dummy = make_dummy_model()
dummy.summary()

exit()

原因分析 #

1. run_functions_eagerly的作用范围限制：tf.config.run_functions_eagerly(True)仅控制模型执行阶段（如model.predict、训练过程）的Eager模式，而在模型构建阶段（通过tf.keras.Input定义符号张量并创建Model对象时），Keras仍会对自定义Layer的call方法执行AutoGraph转换，用于构建计算图结构，这会导致调试时跳转到自动生成的代码文件。
2. 符号张量触发AutoGraph：tf.keras.Input生成的是符号张量（Symbolic Tensor），当用符号张量调用自定义Layer时，Keras会自动触发AutoGraph来处理Layer的逻辑，而非直接执行原Python代码。

解决办法 #

办法1：直接用Eager张量测试Layer（跳过Model构建） #

如果仅需调试自定义Layer的逻辑，无需完整构建模型，可以直接使用Eager张量调用Layer，完全绕开AutoGraph转换：

# 替换原模型构建代码
ldummy = layer_dummy()
# 创建Eager模式的测试张量
test_input = tf.random.normal([1, 1, 10])
# 直接调用Layer
output = ldummy(test_input)
print(output)

调试时会直接进入原代码的call方法。

办法2：禁止AutoGraph转换自定义Layer的call方法 #

在自定义Layer的call方法上添加@tf.autograph.experimental.do_not_convert装饰器，强制关闭AutoGraph对该方法的转换：

class layer_dummy(layers.Layer):
    def __init__(self, **kwargs):
        super(layer_dummy, self).__init__(**kwargs)
        c_init = tf.ones_initializer()
        self.c = tf.Variable(
            initial_value=c_init(shape=[1,10]),
            trainable=True,
            name="dummy_var",
        )

    # 添加装饰器禁止AutoGraph转换
    @tf.autograph.experimental.do_not_convert
    def call(self, x):
        return self.c + x

这样即使使用tf.keras.Input构建模型，调试时也会跳转到原Python代码的call方法。

办法3：用InputLayer替代Input构建模型 #

调整模型构建逻辑，使用tf.keras.layers.InputLayer结合Eager张量初始化模型，减少符号张量触发的AutoGraph转换：

def make_dummy_model():
    ldummy = layer_dummy()
    # 使用InputLayer，传入示例Eager张量构建模型
    input_layer = layers.InputLayer(input_shape=(1, 10))
    vin = input_layer(tf.random.normal([1, 1, 10]))
    vout = ldummy(vin)
    dummy_model = Model(inputs=input_layer.input, outputs=vout)
    return dummy_model

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