训练LSTM编解码器德英翻译模型时提示无法将y转为张量如何排查

• 核心触发逻辑：你使用了@tf.function装饰器将损失函数转为静态图计算，静态图要求所有计算节点的输入输出都必须是合法张量，不能出现None值，而你的代码存在多处未定义/非法变量，导致计算链路中生成了None值，触发转换失败报错。
• 具体错误点：
  1. loss_fn中梯度计算的参数variables未定义，直接导致tape.gradient返回None，后续要把这个返回值转为张量时直接报错。
  2. Encoder定义中存在未定义的layer变量，h= layer(input_layer)这行代码的输出为None，后续Encoder的输出均为非法值。
  3. 测试循环中调用Encoder时使用了未定义的en变量，正确的输入应该是当前循环的english2，导致Encoder输出为None。
  4. 测试循环中调用loss_fn时只传入了3个参数，而函数定义要求4个参数（缺少loss参数），返回值非法。
  5. 存在多处拼写错误：训练环节的avg_loss1未定义、ave_loss3拼写错误；测试环节batch_num2没有累加、ave_loss4拼写错误，这些都会导致计算过程中出现非法值。

你可以按照以下顺序依次修复代码：

1. 修复Encoder定义：删除未定义的layer调用行，调整后Encoder代码如下：

def encoder():
    input_layer = Input(batch_shape=(None, 13, 128))
    h= Masking(mask_value=0.0)(input_layer)
    h, hidden_layer, cell_layer = LSTM(512, return_state=True)(h)
    model = Model(inputs = input_layer, outputs = [hidden_layer, cell_layer])
    return model

2. 修复loss_fn的梯度参数：把梯度计算的参数替换为已定义的可训练变量集合：

@tf.function
def loss_fn(en_input, germ_input, germ_output, loss):
    with tf.GradientTape() as tape:
        enc_hidden_s, enc_cell_s = model(en_input)
        dec_output, dec_hidden_s, dec_cell_s = decoder(germ_input, enc_hidden_s,enc_cell_s)
        loss_value = loss(germ_output, dec_output)
    # 把未定义的variables替换为实际的可训练参数
    grads = tape.gradient(loss_value, model.trainable_variables + decoder.trainable_variables)
    return loss_value, grads

3. 修复测试循环的逻辑错误：

for english2,germany2 in test:
    germany_in2,germany_out2=fit_german_shape(germany2)
    # 替换未定义的en为当前循环的english2
    hidden_state,cell_state=model(english2)
    pred,temp1,temp2=decoder(germany_in2,hidden_state,cell_state)
    # 补全loss_fn的第四个参数
    loss_val, temp3 = loss_fn(english2, germany_in2, germany_out2, loss)
    epoch_loss2=loss_val+epoch_loss2
    # 累加测试集的batch计数
    batch_num2=batch_num2+1
    avg_loss2=epoch_loss2/batch_num2
    # 张量先转numpy再转字符串，修正拼写错误
    avg_loss4=str(avg_loss2.numpy())
    print("In this test epoch, the loss is"+avg_loss4)

4. 修复训练循环的拼写错误：

for english,germany in train:
    germany_in,germany_out=fit_german_shape(germany)
    loss2, grad= loss_fn(english, germany_in, germany_out, loss)
    optimizer.apply_gradients(zip(grad,model.trainable_variables + decoder.trainable_variables))
    epoch_loss=epoch_loss+loss2
    batch_num=batch_num+1
    avg_loss=epoch_loss/batch_num
    # 替换未定义的avg_loss1，修正拼写和类型转换逻辑
    avg_loss3=str(avg_loss.numpy())
    print("In this train epoch, the loss is"+avg_loss3)

内容的提问来源于stack exchange，提问作者jqqqq