TensorFlow自定义指标报错ValueError: None values not supported求解

错误原因 #

报错的根本原因是你使用ap_distance.get_shape()[0]获取张量的静态shape：

• get_shape()返回的是图构建阶段就能确定的静态shape信息，在输入batch size未固定的场景下，batch维度的静态值为None
• TensorFlow的图执行模式不允许将None转换为张量参与数值运算，因此抛出None values not supported的错误
• 你额外新增的静态shape判断逻辑依然无法解决问题，因为静态None在图构建阶段就已经确定，无法在运行时动态判断

修复方案 #

将静态shape获取改为动态shape获取，使用tf.shape()函数，该函数返回的是运行时才能确定值的张量，可正常参与运算：

1. 用tf.shape(ap_distance)[0]替代ap_distance.get_shape()[0]获取当前batch的实际大小
2. 不需要额外使用tf.cond做边界判断，tf.math.divide_no_nan本身已经处理了分母为0的场景，会直接返回0
3. 统一指标计算的数据类型为float32，避免类型不匹配错误
4. 注意对齐你对真阳、假阳的定义：三元组任务的常规判定逻辑是anchor与positive的距离 < anchor与negative的距离为预测正确，你当前代码的判定条件刚好相反，可按需调整

完整修改后的_compute_metrics代码 #

def _compute_metrics(self, data):
    ap_distance, an_distance = self.siamese_network(data)

    # 如需符合三元组常规判定逻辑，将greater改为less即可
    tp = tf.reduce_sum(tf.cast(tf.math.greater(ap_distance, an_distance), tf.float32))
    fp = tf.reduce_sum(tf.cast(tf.math.less_equal(ap_distance, an_distance), tf.float32))
    batch_size = tf.cast(tf.shape(ap_distance)[0], tf.float32)
    # 此处为正确样本占比（准确率），如果你需要的是错误率，把tp改成fp即可
    accuracy = tf.math.divide_no_nan(tp, batch_size)

    return tp, fp, accuracy

额外注意事项 #

你当前使用metrics.Mean来统计tp、fp的计数，这会得到每batch的平均tp/fp值，如果你需要的是整个epoch的累计tp/fp值，可将对应tracker替换为metrics.Sum。

内容的提问来源于stack exchange，提问作者pceccon