TensorFlow2/Keras训练调用get/set_weights报图函数无法取值错误的解决方法

get_weights()、set_weights()是专门为eager模式设计的接口：

• 调用get_weights()时，底层会执行.numpy()把权重张量转成Python可直接操作的numpy数组
• 调用set_weights()时，会把传入的numpy数组转成张量，覆写对应层的权重值

而Keras运行fit()时，会自动把重写的train_step编译成带图执行的tf.function函数，静态图环境禁止直接读取张量的实际数值做numpy转换，因此就抛出了Cannot get value inside Tensorflow graph function的错误。

核心逻辑是跳出“取numpy数组-算完再塞回去”的流程，全程留在TensorFlow张量计算体系里完成权重操作，完全适配静态图的执行规则：

• 不调用get_weights()、set_weights()，直接通过模型的weights属性拿到对应编码器的权重张量列表——这个列表的顺序、形状和get_weights()返回的numpy数组列表完全一致，不会出现权重错位
• EMA的加权计算直接在张量层面完成，计算完通过权重自带的assign()方法直接完成赋值，这个接口是原生支持静态图执行的，不会触发numpy取值的报错。

修正后的代码 #

只需要替换原来的update_ema方法，其余训练逻辑可以保留：

def update_ema(self, decay=0.999):
    # 直接拿权重张量，不触发numpy转换
    online_weights = self.online_encoder.weights
    target_weights = self.target_encoder.weights
    # 逐权重计算EMA值并直接赋值
    for online_w, target_w in zip(online_weights, target_weights):
        new_target_w = decay * target_w + (1 - decay) * online_w
        target_w.assign(new_target_w)

• 替换完逻辑后，可以先跑eager模式的单步训练验证：确认两个编码器的权重列表顺序完全匹配，不会出现因为层结构不同导致的权重错位赋值。
• 静态图包裹的所有方法里，都不要调用.numpy()、get_weights()、set_weights()这类会触发跨环境取值的操作，一旦在图函数里调用，必然会触发同类报错。
• 初始化模型时要把target_encoder的所有权重标记为non_trainable=True，避免优化器把它的权重纳入梯度更新范围，和后续的EMA赋值逻辑产生冲突。

内容的提问来源于stack exchange，提问作者MPA