如何解决TensorFlow模型使用.fit()时无法运行在Eager模式的问题？

看起来你遇到的核心问题是即使设置了run_eagerly=True，自定义模型的call方法依然运行在图模式下，同时伴随Tensor无法迭代/调用.numpy()的错误。我来帮你拆解问题并给出修复方案：

问题根源分析 #

1. 私有方法_set_inputs的干扰：你使用了modelE._set_inputs(dummy_x)这个TensorFlow内部私有方法，它会强制模型提前构建计算图，导致后续的run_eagerly=True设置失效，这是最关键的原因。
2. Tensor迭代方式错误：在simpleLoop方法中，你直接尝试迭代输入Tensor，这种写法在图模式下是不允许的；即使在Eager模式下，批量Tensor也不能直接用for i, input in inputs:来遍历样本。
3. Eager模式的生效条件：在TensorFlow 2.x中，自定义tf.keras.Model要启用Eager模式，必须确保run_eagerly=True在compile时正确传递，同时避免提前触发图构建。

分步修复方案 #

1. 移除私有方法_set_inputs，改用显式构建模型输入形状 #

替换这两行代码：

dummy_x = tf.zeros((1, size, size, 1))
modelE._set_inputs(dummy_x)

为以下任意一种方式：

• 方式一：显式调用build方法声明输入形状

modelE.build(input_shape=(None, size, size, 1))  # None对应批量维度

• 方式二：用一个真实样本调用模型，自动触发构建（更推荐，符合Eager模式的使用习惯）

modelE(x_train[:1])  # 用训练集的第一个样本触发模型构建

2. 修正simpleLoop方法的Tensor遍历逻辑 #

在Eager模式下，你可以将Tensor转换为numpy数组来遍历批量中的每个样本；如果需要兼容图模式，可以用tf.map_fn。这里给出Eager模式下的简单写法：

def simpleLoop(self, inputs, x):
    # 仅在Eager模式下可用，将Tensor转为numpy数组遍历
    inputs_np = inputs.numpy()
    for i, input_sample in enumerate(inputs_np):
        print(f"{i} - {input_sample.shape}")  # 打印每个样本的形状，替代原逻辑

3. 确保run_eagerly=True正确生效 #

虽然你已经在compile时设置了run_eagerly=True，但可以再确认一下：

• 移除单独设置modelE.run_eagerly = True的代码，只保留compile中的参数即可（两者共存也不会出错，但compile的参数优先级更高）。

修改后的完整代码示例 #

import tensorflow as tf

class CNN2(tf.keras.Model):
    def __init__(self, num_classes=7):
        super(CNN2, self).__init__()
        self.cnn1 = tf.keras.layers.Conv2D(32, (5,5), padding='same', strides=(2, 2), kernel_initializer='he_normal')
        self.bn1 = tf.keras.layers.BatchNormalization()
        self.cnn2 = tf.keras.layers.Conv2D(64, (5,5), padding='same', strides=(2, 2), kernel_initializer='he_normal')
        self.cnn3 = tf.keras.layers.Conv2D(128, (5,5), padding='same', strides=(2, 2), kernel_initializer='he_normal')
        self.bn2 = tf.keras.layers.BatchNormalization()
        self.pool = tf.keras.layers.MaxPooling2D((2,2))
        self.dnn1 = tf.keras.layers.Dense(128)
        self.dropout1 = tf.keras.layers.Dropout(0.45)
        self.flatten = tf.keras.layers.Flatten()
        self.dnn2 = tf.keras.layers.Dense(512)
        self.dnn3 = tf.keras.layers.Dense(256)
        self.classifier = tf.keras.layers.Dense(num_classes)
    
    def simpleLoop(self, inputs, x):
        # 修正后的遍历逻辑：Eager模式下转numpy遍历
        inputs_np = inputs.numpy()
        for i, input_sample in enumerate(inputs_np):
            print(f"{i} - {input_sample.shape}")
    
    def call(self, inputs, training=None, mask=None):
        print(tf.executing_eagerly())  # 现在应该输出True了
        x = tf.nn.leaky_relu(self.cnn1(inputs))
        x = self.bn1(x, training=training)  # 注意：BatchNormalization需要传入training参数
        x = self.pool(x)
        x = tf.nn.leaky_relu(x)
        x = tf.nn.leaky_relu(self.bn2(self.cnn2(x), training=training))
        x = self.pool(x)
        x = self.dropout1(tf.nn.leaky_relu(self.cnn3(x)), training=training)  # Dropout也需要training参数
        x = self.flatten(x)
        self.simpleLoop(inputs, x)
        x = self.dropout1(self.dnn1(x), training=training)
        x = self.dropout1(self.dnn2(x), training=training)
        x = self.dropout1(self.dnn3(x), training=training)
        output = self.classifier(x)
        output = tf.nn.softmax(output)
        return output

# 参数设置
batch_size = 50
epochs = 150
num_classes = 7
size = 48  # 假设你的输入尺寸是48x48，根据实际情况修改

# 检查Eager模式与版本
print(tf.executing_eagerly())
print(tf.__version__)

# 初始化模型并设置Eager模式
modelE = CNN2(num_classes)
# 显式构建模型输入形状（或用modelE(x_train[:1])）
modelE.build(input_shape=(None, size, size, 1))
# 编译时明确设置run_eagerly=True
modelE.compile(
    optimizer=tf.optimizers.Adam(0.00008),
    loss='categorical_crossentropy',
    metrics=['accuracy'],
    run_eagerly=True
)

# 训练模型
hist = modelE.fit(x_train, y_train, batch_size=batch_size, epochs=epochs, validation_data=(x_test, y_test), verbose=1)
# 评估
scores = modelE.evaluate(x_test, y_test, batch_size, verbose=1)

额外提示 #

• 注意在call方法中，BatchNormalization和Dropout层需要传入training参数，这样它们才能在训练和推理时表现出正确的行为（你之前的代码遗漏了这个参数）。
• 这不是TensorFlow的bug，而是因为误用了内部私有方法导致Eager模式被覆盖，同时Tensor的遍历方式不符合图模式的规则。

内容的提问来源于stack exchange，提问作者ryan651