TensorFlow Keras调用model.fit报Graph execution error求助

基于tensorflow.keras搭建全连接神经网络，封装了批量遍历优化器、激活函数的训练函数，用于筛选最优训练配置：

• 输入特征x_train为56列的pandas DataFrame
• 标签y_train为2列的pandas DataFrame
  代码此前可正常运行，某日突然抛出Graph execution error，先后在MacOS、Ubuntu两台设备，Python3.9、Python3.10环境，启用/禁用GPU、重装TensorFlow等场景下测试，问题均复现，初步排除输入维度不匹配、环境配置问题。

import ccxt
import pandas as pd
import numpy as np
import tensorflow as tf

import time
import math

import csv

from sklearn.model_selection import train_test_split

x_train, x_test, y_train, y_test = train_test_split(data_4candles, data_minmax)
x_test, x_val, y_test, y_val = train_test_split(x_test, y_test)

def model_compile_fit_predict(optimizer,activation,epochs,filepath):
    model = tf.keras.models.Sequential()

    model.add(tf.keras.layers.Dense(56, input_dim = 56, activation = activation))
    model.add(tf.keras.layers.Dense(56, activation = activation))
    model.add(tf.keras.layers.Dense(10, activation = activation))
    model.add(tf.keras.layers.Dense(2, activation = activation))

    
    model.compile(loss = 'mse', optimizer = optimizer, 
              metrics = ['accuracy',tf.keras.metrics.Precision(),tf.keras.metrics.Recall()])
    
    hist = model.fit(x_train, y_train, epochs = epochs, validation_data = (x_val, y_val))
    
    loss, accuracy, precision, recall_1 = model.evaluate(x_test, y_test)
    
    hist_acc = hist.history['accuracy']
    hist_loss = hist.history['loss']
    hist_val_acc = hist.history['val_accuracy']
    hist_val_loss = hist.history['val_loss']
    
    model.save(filepath = filepath)
    
    
    output = [activation, optimizer, 
              'test accuracy and loss: ', accuracy, loss, 
              'true positive / (true positive + false positive): ', precision,
              'true positive / (true positive + false negative): ', recall_1,
              'train epoch accuracy and loss: ',hist_acc,hist_loss,
              'validation epoch accuracy and loss: ', hist_val_acc,hist_val_loss]
    
    return output

activation_functions = ['relu', 'softplus', 'selu', 'elu']
optimizers = ['RMSprop', 'Adam', 'Adadelta', 
              'Adagrad', 'Adamax', 'Nadam', 'Ftrl']


dummy_list1 = list()
for i in optimizers:
    dummy_list2 = list()
    for j in activation_functions:
        output = model_compile_fit_predict(i,j,epochs=5,filepath = '/home/bae/MidasProject/ML/ML_file/'+i+'_'+j)
        dummy_list2.append(output)
    dummy_list1.append(dummy_list2)
        
output_2d = dummy_list1

报错栈最终定位到指标计算环节的断言失败：

Node: 'assert_less_equal/Assert/AssertGuard/Assert'
assertion failed: [predictions must be <= 1] [Condition x <= y did not hold element-wise:] [x (sequential/dense_3/Relu:0) = ] [[27222.8672 37717.7305][41931.543...]...] [y (Cast_7/x:0) = ] [1]

即模型输出层的预测值出现了万级别的远大于1的数值，触发了内置的输入合法性校验。

• 代码中使用的accuracy、Precision、Recall均为分类任务专属指标，这类指标要求输入的预测值必须落在[0,1]区间（代表样本属于对应类别的概率），但当前模型用mse作为损失，属于回归任务配置，逻辑本身不匹配。
• 遍历激活函数时，输出层也直接套用了relu、selu、elu等无输出上界的激活函数，这类激活的输出可以到任意大的正数值，完全不满足分类指标的输入要求，直接触发校验报错。
• 此前代码能运行，大概率是旧版本Keras未新增这层预测值范围的强校验，或是之前输出层单独配置了适配任务的激活函数，修改批量遍历逻辑时误将输出层激活也纳入遍历参数，导致问题突然出现。

• 先明确任务类型，匹配对应配置：
  • 如果是回归任务（和当前使用的MSE损失匹配）：删除accuracy、Precision、Recall三个分类指标，替换为MAE等回归任务指标；输出层不要套用遍历的激活函数，使用默认的线性激活即可。
  • 如果是分类任务：将损失函数替换为对应交叉熵损失，输出层改用sigmoid/softmax等能将输出压缩到[0,1]区间的激活函数，同时确认标签格式符合分类任务要求后，再保留分类指标。
• 调整遍历逻辑：隐藏层激活可以放入列表遍历选优，但输出层激活必须和任务类型绑定，不能纳入遍历范围。
• 前置检查标签范围：如果做归一化后的回归任务，确认标签data_minmax的缩放范围是否符合预期，若标签本身存在大于1的数值，绝对不能使用分类指标。

回归场景下的模型搭建核心修正代码参考：

def model_compile_fit_predict(optimizer,activation,epochs,filepath):
    model = tf.keras.models.Sequential()
    # 隐藏层沿用遍历的激活函数
    model.add(tf.keras.layers.Dense(56, input_dim = 56, activation = activation))
    model.add(tf.keras.layers.Dense(56, activation = activation))
    model.add(tf.keras.layers.Dense(10, activation = activation))
    # 输出层使用线性激活，不套用遍历参数
    model.add(tf.keras.layers.Dense(2))
    # 编译时使用匹配回归任务的指标
    model.compile(loss = 'mse', optimizer = optimizer, metrics = ['mae'])
    # 后续训练、保存逻辑不变

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