自定义Keras Layer中用for循环触发InaccessibleTensorError如何解决？

• TensorFlow 图执行模式下，for batch in tf.range(self.batch_size)会被自动转换为tf.while_loop结构，循环体内生成的张量属于独立的函数作用域，无法直接存入Python列表后在循环外访问，直接触发InaccessibleTensorError。
• 原compute_output_shape方法依赖只有在call运行时才会赋值的self.batch_size，静态推导输出形状时也会出现异常。
• 额外性能提醒：你当前的输出维度是3^16 = 43046721，单样本输出就有4300多万个浮点值，batch_size=10的话单批次输出就需要1.7G左右显存（按float32计算），实际运行大概率会触发显存不足错误，建议先确认你的计算逻辑是否正确，是否真的需要这么大的输出维度。

使用tf.map_fn代替显式for循环遍历批次维度，它会自动处理循环内张量的作用域问题，同时修正输出形状推导逻辑：

import tensorflow as tf
from tensorflow.keras.layers import Layer, Input
from tensorflow.keras import models
import numpy as np

class WeightedLayer(Layer):
    def __init__(self, n_input, n_memb, **kwargs):
        super(WeightedLayer, self).__init__(**kwargs)
        self.n = n_input   # 16 features
        self.m = n_memb    # 3
        self.output_dim = self.m ** self.n # 提前计算输出维度

    def build(self, batch_input_shape):
        super(WeightedLayer, self).build(batch_input_shape)

    def call(self, input_):
        # 定义单样本的处理逻辑
        def process_single_sample(x):
            # x 形状为 (16, 3)
            cp = x[0, :]
            for d in range(1, self.n):
                # 动态调整形状
                xd = tf.reshape(x[d, :], (1,) * d + (self.m,))
                c = tf.reshape(cp, (self.m,) * d + (1,))
                cp = tf.matmul(c, xd)
            return tf.reshape(cp, (self.output_dim,))
        
        # 对批次内所有样本并行应用处理逻辑
        return tf.map_fn(process_single_sample, input_, dtype=tf.float32)

    def compute_output_shape(self, batch_input_shape):
        # 不需要依赖运行时的batch_size，直接用输入的批次维度
        return tf.TensorShape((batch_input_shape[0], self.output_dim))

原有的模型调用代码不需要修改即可适配修正后的层。

你当前的输出维度3^16超过4300万，即使修正了语法错误，实际运行也会因为显存不足无法训练。建议先把n_input调整为较小值（比如4，对应输出维度3^4=81）验证逻辑正确性后，再根据需求调整参数或者对输出做降维处理。

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