Keras调用model.fit()报错无法将符号输入输出转为numpy数组如何解决

• 核心问题出在自定义损失函数的作用域逻辑不符合TensorFlow 2的eager执行+静态图编译规则：你损失函数中用到的z_mean、z_log_sigma是编码器输出的中间符号张量，属于VAE计算图的内部节点，但你直接把这两个来自外部作用域的游离张量放到损失函数中计算KL散度，当fit()触发tf.function对损失函数做静态图编译时，无法正确捕获这两个不在输入输出链上的符号张量，系统会尝试将其转为numpy数组，最终触发类型错误。
• 关闭eager执行能生效的原因是退回到了TF1的全局静态图模式，所有张量都在全局计算图中定义，不存在作用域捕获问题，但这不符合TF2的开发规范。

推荐用官方指定的add_loss()方式绑定额外损失，完全避免游离张量的作用域问题：

1. 调整create_lstm_vae模型构建逻辑，在定义得到z_mean、z_log_sigma两个张量后，直接将KL损失添加到VAE模型的内置损失队列中：

# 以下代码放在create_lstm_vae函数中，z_mean、z_log_sigma定义完成后执行
kl_loss = - 0.5 * K.mean(1 + z_log_sigma - K.square(z_mean) - K.exp(z_log_sigma))
vae.add_loss(kl_loss)
# 可根据训练效果给KL损失加缩放权重，比如vae.add_loss(kl_loss * 0.01)

2. 编译模型时仅传入重建损失即可，模型会自动累加add_loss绑定的损失：

vae.compile(optimizer='adam', loss=losses.CategoricalCrossentropy())

如果需要保留独立损失函数的写法，就调整模型输出，把z_mean、z_log_sigma作为模型的额外输出传递给损失函数，保证所有参与损失计算的张量都在输入输出链上：

# 构建VAE时指定输出为[重建结果, z_mean, z_log_sigma]
vae = Model(inputs=[encoder_input, decoder_input], outputs=[decoder_output, z_mean, z_log_sigma])

# 调整损失函数逻辑，从输出中拆分需要的张量
def vae_loss(x, outputs):
    x_decoded_onehot, z_mean, z_log_sigma = outputs
    xent_loss = losses.CategoricalCrossentropy()(x, x_decoded_onehot)
    kl_loss = - 0.5 * K.mean(1 + z_log_sigma - K.square(z_mean) - K.exp(z_log_sigma))
    return xent_loss + kl_loss

内容的提问来源于stack exchange，提问作者kiriloff