TensorFlow 2用GradientTape实现自定义损失函数出现_SymbolicException如何解决

错误原因 #

你遇到的_SymbolicException本质是TF2默认执行逻辑的冲突：

• Keras调用model.fit()时默认会将模型编译为静态计算图提升训练效率，此时你在损失函数中访问model.input拿到的是Keras符号张量，不是实际训练阶段的真实输入数值
• GradientTape在eager执行模式下只能处理携带实际数值的张量，无法处理符号张量，因此触发类型错误
• 你禁用eager执行后整体框架退回到TF1的全静态图模式，所有逻辑都在静态图内执行，不会触发eager专属的类型校验，因此报错消失。

可行解决方案 #

方案1：编译时开启run_eagerly=True（改动最小） #

不需要修改损失函数逻辑，仅需在model.compile阶段添加参数强制模型以eager模式运行即可：

model.compile(loss=customLoss, optimizer='adam', metrics=['accuracy'], run_eagerly=True)

该方案优势是改动手写最少，适合快速验证逻辑；缺点是eager模式训练速度比静态图模式慢，大规模训练时性能损失明显。

方案2：自定义训练循环（官方推荐，性能最优） #

自定义训练循环可以显式控制前向传播、梯度计算、参数更新全流程，天然支持在eager模式下计算输入相关的导数，是物理信息神经网络（PINN）这类场景的通用实现方案：

from numpy import loadtxt
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
import tensorflow as tf #tf.__version__ = '2.3.0'

# 加载数据集
dataset = loadtxt('pima-indians-diabetes.csv', delimiter=',')
X = dataset[:,0:8]
y = dataset[:,8]
# 转换为TF数据集方便分批处理
train_dataset = tf.data.Dataset.from_tensor_slices((X, y)).batch(10)

# 定义模型
model = Sequential()
model.add(Dense(12, input_dim=8, activation='relu'))
model.add(Dense(12, activation='relu'))
model.add(Dense(12, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

# 定义优化器和训练指标
optimizer = tf.keras.optimizers.Adam()
loss_metric = tf.keras.metrics.Mean(name='loss')
acc_metric = tf.keras.metrics.BinaryAccuracy(name='accuracy')

# 训练步逻辑，添加tf.function装饰器编译为静态图获得高性能
@tf.function
def train_step(x, y_true):
    with tf.GradientTape() as outer_tape:
        y_pred = model(x, training=True)
        # 计算PDE残差，直接用当前批次输入x计算导数，无需访问model.input
        with tf.GradientTape() as pde_tape:
            pde_tape.watch(x)
            pred = model(x, training=True)
        dy_dx = pde_tape.gradient(pred, x)
        dy_t = dy_dx[:, 5:6]
        loss_pde = tf.reduce_mean(tf.square(dy_t))
        # 可在此处添加数据损失项：loss_data = tf.reduce_mean(tf.square(y_true - y_pred))
        total_loss = loss_pde
    # 反向更新参数
    grads = outer_tape.gradient(total_loss, model.trainable_variables)
    optimizer.apply_gradients(zip(grads, model.trainable_variables))
    # 更新训练指标
    loss_metric.update_state(total_loss)
    acc_metric.update_state(y_true, y_pred)
    return total_loss

# 执行训练
EPOCHS = 15
for epoch in range(EPOCHS):
    # 每个epoch重置指标
    loss_metric.reset_states()
    acc_metric.reset_states()
    
    for x, y in train_dataset:
        train_step(x, y)
    
    print(f"Epoch {epoch+1}, Loss: {loss_metric.result():.4f}, Accuracy: {acc_metric.result():.4f}")

注意：你原有损失函数中DyDX[:, 5:6][0]的[0]仅会取每个批次第一个样本的导数，会导致损失计算偏差，上述代码已移除该索引，如有特殊需求可自行加回。

内容的提问来源于stack exchange，提问作者Milad S