如何将自定义函数与Keras模型拼接，实现固定函数判别器的GAN训练

• 你之前的方案本质是将无任何可学习参数、纯Python/numpy实现的固定判别器硬塞进Keras计算图，只要走“张量转numpy→跑逻辑→numpy转回张量”的流程，就必然需要Eager模式支持，而旧版本TF1的图模式与tf.placeholder的绑定逻辑，会直接和Eager模式产生兼容性冲突。
• 你的目标场景里判别器是完全固定、不需要训练、无权重的规则函数，根本不需要接入Keras计算图，最优实现路径是将判别器完全移出图构建流程，用自定义训练循环完成损失计算和生成器的梯度更新，从根源上避开兼容性问题。

1. 先修正现有代码的硬bug #

• 原datagen函数中计算第二组输出Output_data2时，循环里错误复用了第一组的输入inp11[j]，没有替换成修改后的inp22[j]，会导致两组参考输出完全一致，损失计算完全失效。
• 原代码逻辑全部按单样本标量维度编写，没有适配训练需要的批量维度，计算效率极低。
• 原MUX函数的Python bool判断写法不支持逐元素的批量向量运算，没法配合批量训练。

2. 核心实现逻辑 #

完全放弃将自定义判别器包进Keras Model的写法，整个流程拆分两部分：

• 固定判别器：保留为纯numpy实现的独立函数，不参与任何计算图构建，只负责给定生成器的输出样本，计算当前的匹配误差。
• 生成器训练：用TF2自带的tf.GradientTape构建自定义训练循环，只让生成器进入自动求导链路，每轮训练时将生成器输出的张量转成numpy格式，丢给固定判别器算损失，再将损失转回张量反向传播更新生成器权重。
  这种方式下完全不需要手动开启Eager模式（TF2.x默认就是Eager执行），自然不存在和tf.placeholder的兼容性问题。

3. 关键代码实现 #

修正后的批量判别器逻辑 #

# 保留原MUX逻辑，适配批量输入
def MUX(A, B, n1, n2, n3, n4, S):
    if S == 0:
        OUT1 = A + n1
        OUT2 = B + n2
    elif S == 1:
        OUT1 = B + n3
        OUT2 = A + n4
    return (OUT1, OUT2)

# 可批量计算的固定判别器损失
def fixed_disc_loss(gen_outputs, input_template, r1, r2, r3, r4, Ninput, Noutput):
    batch_size = gen_outputs.shape[0]
    total_loss = 0.0
    for sample_idx in range(batch_size):
        gen_sample = gen_outputs[sample_idx]
        # 第一组输入场景
        inp1 = input_template.copy()
        inp1[0, 0:5] = [1,0,1,0,1]
        ref_out1 = np.zeros(Noutput)
        for n in range(Noutput):
            A, B = 0.0001, 0.0001
            for j in range(Ninput):
                A, B = MUX(A, B, r1[n,j], r2[n,j], r3[n,j], r4[n,j], inp1[0,j])
            ref_out1[n] = 1 if A > B else 0
        error1 = np.mean(100 - np.abs(gen_sample - ref_out1)*100.0)
        # 第二组输入场景，修正原代码的输入复用bug
        inp2 = input_template.copy()
        inp2[0, -5:] = [0,1,0,1,0]
        ref_out2 = np.zeros(Noutput)
        for n in range(Noutput):
            A, B = 0.0001, 0.0001
            for j in range(Ninput):
                A, B = MUX(A, B, r1[n,j], r2[n,j], r3[n,j], r4[n,j], inp2[0,j])
            ref_out2[n] = 1 if A > B else 0
        error2 = np.mean(100 - np.abs(gen_sample - ref_out2)*100.0)
        # 损失取匹配度的负值，目标是最小化损失、最大化匹配度
        total_loss += -max(error1, error2)
    return total_loss / batch_size

自定义训练循环核心 #

# 生成器结构和你原有build_cgen逻辑完全一致，不需要修改
generator = build_cgen(zdim=zdim)
optimizer = Adam(learning_rate=0.0002)
batch_size = 32
epochs = 10000
# 固定的输入模板，和原有DataGenearte2输出一致
input_template = DataGenearte2(epocs=1, bt=Ninput)
# 预先生成的固定r1/r2/r3/r4参数，不需要修改

for epoch in range(epochs):
    # 每轮生成随机噪声和标签
    random_z = tf.random.normal((batch_size, zdim))
    random_labels = tf.random.uniform((batch_size, 1), minval=0, maxval=num_classes, dtype=tf.int32)
    
    with tf.GradientTape() as tape:
        # 生成器前向传播
        gen_outputs = generator([random_z, random_labels])
        # 张量转numpy丢给固定判别器算损失
        gen_np = gen_outputs.numpy()
        loss_val = fixed_disc_loss(gen_np, input_template, r1, r2, r3, r4, Ninput, Noutput)
        # 转回张量保证梯度链路连通
        loss_tensor = tf.convert_to_tensor(loss_val, dtype=tf.float32)
    
    # 计算生成器梯度并更新权重
    grads = tape.gradient(loss_tensor, generator.trainable_weights)
    optimizer.apply_gradients(zip(grads, generator.trainable_weights))
    
    # 每100轮打印一次损失
    if epoch % 100 == 0:
        print(f"Epoch {epoch}, Loss: {loss_val.numpy():.4f}")

4. 注意事项 #

• 不要手动调用tf.enable_eager_execution()：TF2.x默认就是Eager执行模式，手动调用反而会触发接口冲突，之前遇到的placeholder报错本质是TF1版本的旧代码逻辑，升级到TF2.x即可解决，不需要额外配置。
• 不要用tf.py_function硬把numpy判别器接进计算图：这种写法会打断自动求导链路，导致梯度无法传回生成器，训练完全失效。
• 注意损失方向：原代码的计算逻辑是匹配度越高得分越高，训练时要把损失设为匹配度的负值，避免反向优化方向搞反。

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