TensorFlow 1.15添加@tf.function后代码报类型错误该如何修复？

报错根因 #

你用的是TensorFlow 1.x的会话执行模式，sess.run()仅支持传入张量（Tensor）或者计算操作（Operation）作为执行目标，你直接传入了被@tf.function装饰后的函数对象，因此触发类型报错。
另外你当前代码还有两个隐藏问题：

• @tf.function装饰的函数内部不支持直接调用numpy原生接口，这类接口无法被转换为TensorFlow图算子，执行时会二次报错
• 你写的测试集索引逻辑np.arange(int(t * 1), t)生成的是空数组，完全没有测试样本

修复后的完整代码 #

import numpy as np
import tensorflow as tf
print(tf.__version__)  #tf ver: 1.15

# 加载本地数据
Z = np.loadtxt("Z.txt")   #516 rows * 2000 columns
R1 = np.loadtxt("R1.txt")   #516 rows * 1000 columns
R2 = np.loadtxt("R2.txt")   #516*49
M = np.loadtxt("M.txt")     #516*4

# 定义placeholder
z_data = tf.placeholder(dtype=tf.float32)
r_data = tf.placeholder(dtype=tf.float32)
m_data = tf.placeholder(dtype=tf.float32)
target_data = tf.placeholder(dtype=tf.float32)

# 不需要@tf.function装饰，或者如果要使用装饰器，需要把内部numpy操作全部替换为TF API
def data_split(z_data, r_data, m_data, target_data):
    ff_n = m_data.shape[1] 
    port_n = target_data.shape[1] 
    t, n = tf.shape(r_data)[0], tf.shape(r_data)[1]
    p = tf.cast(tf.shape(z_data)[1] / n, tf.int32)
    z_data = tf.transpose(tf.reshape(z_data, (t, p, n)), (0, 2, 1))   # dim(t,n,p)
    return z_data, r_data, m_data, target_data, ff_n, port_n, t, n, p

# 先调用函数拿到返回的张量
z_processed, r_processed, m_processed, target_processed, ff_n, port_n, t, n, p = data_split(z_data, r_data, m_data, target_data)

with tf.compat.v1.Session() as sess:
    # 先执行图计算拿到处理后的数据
    z_arr, r_arr, m_arr, target_arr, ff_n_val, port_n_val, t_val, n_val, p_val = sess.run(
        [z_processed, r_processed, m_processed, target_processed, ff_n, port_n, t, n, p], 
        feed_dict={z_data: Z, r_data: R1, m_data: M, target_data: R2}
    )
    # 用numpy做训练测试拆分，更简单直观，此处以8:2拆分训练测试集为例，可按需调整比例
    test_idx = np.arange(int(t_val * 0.8), t_val)
    train_idx = np.setdiff1d(np.arange(t_val), test_idx)
    t_train = len(train_idx)
    z_train = z_arr[train_idx]
    z_test = z_arr[test_idx]
    r_train = r_arr[train_idx]
    r_test = r_arr[test_idx]
    target_train = target_arr[train_idx]
    target_test = target_arr[test_idx]
    m_train = m_arr[train_idx]
    m_test = m_arr[test_idx]

可选优化说明 #

如果你一定要用@tf.function实现全图逻辑，需要把所有numpy操作替换为TensorFlow对应的API，比如tf.range、tf.sets.difference等，调用时先传入placeholder拿到返回张量，再传入sess.run执行即可。

内容的提问来源于stack exchange，提问作者lindo