使用LinearRegressor.train()报错‘...is not a callable object’的问题

你遇到的问题核心是对TensorFlow train()方法要求的input_fn参数理解有误，两种写法的本质区别在于传递给train()的是“可调用函数”还是“函数执行后的结果”：

错误原因 #

第一种写法里，lambda: my_input_fn(my_feature, targets)传递的是一个无参的可调用函数——当train()需要数据时，它会主动调用这个lambda，进而执行my_input_fn获取张量。

而第二种写法中，temp_my_input_fn(my_feature, targets)是直接执行了函数，返回的是(features, labels)这个张量元组，而不是一个可调用对象。train()方法尝试把这个元组当成函数去调用，自然就抛出了“不是可调用对象”的错误。

修正方案 #

有两种简单的修正方式：

方式1：用lambda包装（和第一种写法逻辑对齐） #

保持嵌套函数结构不变，调用train()时用lambda把参数绑定成无参可调用对象：

def get_my_input_fn() :
    def my_input_func(features, targets, batch_size=1, shuffle=True, num_epochs=None) :
        ...  # 你的原有数据处理逻辑
        features, labels = ds.make_one_shot_iterator().get_next()
        return features, labels
    return my_input_func

temp_my_input_fn = get_my_input_fn()
# 用lambda包装，让train()能调用这个无参函数
_ = linear_regressor.train(input_fn=lambda: temp_my_input_fn(my_feature, targets), steps=100)

方式2：修改嵌套函数，返回绑定参数的闭包 #

如果想避免显式写lambda，可以让外层函数接收features和targets，内层函数变成直接使用外层变量的无参闭包：

def get_my_input_fn(features, targets) :
    def my_input_func(batch_size=1, shuffle=True, num_epochs=None) :
        ...  # 直接使用外层传入的features和targets
        features, labels = ds.make_one_shot_iterator().get_next()
        return features, labels
    return my_input_func

# 提前绑定参数，得到无参的可调用函数
temp_my_input_fn = get_my_input_fn(my_feature, targets)
_ = linear_regressor.train(input_fn=temp_my_input_fn, steps=100)

关键原理 #

TensorFlow的Estimator.train()要求input_fn是一个不需要传入参数的可调用对象（函数、lambda或者实现了__call__的对象），它会在训练过程中多次调用这个对象来获取批次数据。你必须确保传递的是“函数本身”，而不是“函数执行后的结果”。

内容的提问来源于stack exchange，提问作者user12187347