Tensorflow调用model.fit时Keras符号值无法转numpy数组如何解决？

核心报错原因 #

该错误本质是自定义层/损失函数中存在张量与Numpy操作混用的情况，新的fit方法默认走图编译逻辑，不允许符号张量在静态图阶段转换为Numpy数组，而已废弃的fit_generator对动态操作兼容性更高，所以不会触发报错。

排查与解决步骤 #

• 第一步：修正自定义变分损失/层的运算逻辑
  所有损失计算、层内运算必须使用TensorFlow/Keras后端算子，禁止使用任何Numpy运算操作。例如错误写法loss = np.mean(K.binary_crossentropy(y_true, y_pred))要改为loss = tf.reduce_mean(tf.keras.losses.binary_crossentropy(y_true, y_pred))，不允许在call方法、损失函数中调用np.array()、.numpy()等转换操作。

• 第二步：统一数据集格式
  你已经通过pad_sequences得到了固定长度序列，直接将训练、验证数据显式转换为float32类型的Numpy数组即可：

  import numpy as np
  training_data = np.asarray(training_data, dtype="float32")
  data_1_val = np.asarray(data_1_val, dtype="float32")
  

  训练时直接传入数组即可：

  model.fit(x=training_data, y=training_data, validation_data=(data_1_val, data_1_val), epochs=10, batch_size=32)
  

  如果偏好生成器方案，优先使用tf.data.Dataset构造数据集，兼容性远高于自定义Python生成器：

  import tensorflow as tf
  BATCH_SIZE = 32
  # 构造训练集
  train_ds = tf.data.Dataset.from_tensor_slices((training_data, training_data))
  train_ds = train_ds.shuffle(10000).batch(BATCH_SIZE).prefetch(tf.data.AUTOTUNE)
  # 构造验证集
  val_ds = tf.data.Dataset.from_tensor_slices((data_1_val, data_1_val))
  val_ds = val_ds.batch(BATCH_SIZE).prefetch(tf.data.AUTOTUNE)
  # 训练
  model.fit(train_ds, validation_data=val_ds, epochs=10)
  

• 第三步：验证嵌入层初始化逻辑
  预训练Glove权重传入嵌入层时需要套入列表、转换为float32格式，示例如下：

  from tensorflow.keras.layers import Embedding
  embedding_layer = Embedding(
      input_dim=词汇表大小,
      output_dim=Glove向量维度,
      weights=[np.asarray(glove_embedding_matrix, dtype="float32")],
      input_length=序列固定长度,
      trainable=False
  )
  

• 第四步：临时开启Eager执行排查问题
  如果以上修改后仍然报错，可以在模型编译前添加一行配置强制开启Eager执行，跳过静态图编译检查：

  tf.config.run_functions_eagerly(True)
  

  如果开启后可以正常训练，说明自定义层/损失中仍然存在未修正的Numpy操作，逐行排查自定义代码即可。

内容的提问来源于stack exchange，提问作者kiriloff