TF / keras子类在Eager Execution中可以完美地工作，如果没有它，则会引发巨大的无法追踪的错误？

Question

我学会了从keras.io编写自定义图层。在这里：

class modrelu(Layer):
    def __init__(self, **kwargs):
        super(modrelu, self).__init__(**kwargs)

    def build(self, input_shape):
        print(input_shape)
        self.b = self.add_weight(name='brad', shape=(input_shape[0][1],), initializer='uniform',
                                      trainable=True)
        super(modrelu, self).build(input_shape)  # Be sure to call this at the end

    def call(self, x):
        assert isinstance(x, list)
        ip_r, ip_i = x
        comp= tf.complex(ip_r, ip_i) 
        ABS= tf.math.abs(comp)
        ANG= tf.math.angle(comp)

        ABS= tf.nn.relu( self.b + ABS) 

        op_i=  ABS * tf.sin(ANG) #K.dot ??
        op_r= ABS * tf.cos(ANG)
        return [op_r, op_i]

    def compute_output_shape(self, input_shape):
        assert isinstance(input_shape, list)
        shape_a, shape_b = input_shape
        return [shape_a, shape_b]


act= modrelu()
a=tf.constant(np.array([[1,2], [4,4]]), dtype='float32')
b=tf.constant(np.array([[3,4], [5, -1]]), dtype='float32')
act([a,b])

在急切的执行中运行时，我得到很好的输出。没有这种模式，我会得到非常奇怪的错误，我什至无法追踪到它的开始位置，它是在另一个世界中。在这里：

  

-------------------------------------------------- ---------------------------- TypeError跟踪（最近的呼叫   持续）   〜\ AppData \ Local \ conda \ conda \ envs \ py36 \ lib \ site-packages \ tensorflow \ python \ framework \ tensor_util.py   在make_tensor_proto中（值，dtype，形状，verify_shape）       526尝试：   -> 527 str_values = [proto_values中x的compat.as_bytes（x）]       528，除了TypeError：

     

〜\ AppData \ Local \ conda \ conda \ envs \ py36 \ lib \ site-packages \ tensorflow \ python \ framework \ tensor_util.py   在（.0）中       526尝试：   -> 527 str_values = [proto_values中x的compat.as_bytes（x）]       528，除了TypeError：

     

〜\ AppData \ Local \ conda \ conda \ envs \ py36 \ lib \ site-packages \ tensorflow \ python \ util \ compat.py   以as_bytes（bytes_or_text，编码）        60引发TypeError（'期望的二进制或Unicode字符串，％r'％   ---> 61（bytes_or_text，））        62

     

TypeError：预期的二进制或Unicode字符串，得到Dimension（2）

     

在处理上述异常期间，发生了另一个异常：

     

TypeError跟踪（最近的呼叫   最后）         2 a = tf.constant（np.array（[[1,2 ,, [4,4]]），dtype ='float32'）         3 b = tf.constant（np.array（[[3,4]，[5，-1]]），dtype ='float32'）   ----> 4幕（[a，b]）

     

〜\ AppData \ Local \ conda \ conda \ envs \ py36 \ lib \ site-packages \ tensorflow \ python \ keras \ engine \ base_layer.py   在通话中（自己，输入，* args，** kwargs）       744＃用户已经手动覆盖了构建方法，我们需要       745＃建立它。   -> 746个self.build（input_shapes）       747＃我们必须设置self.built，因为用户定义的构建功能不是       748＃约束设置为self.built。

     

在build中（self，input_shape）         7个print（input_shape）         8 self.b = self.add_weight（name ='brad'，shape =（input_shape [0] [1]，），初始化='uniform'，   ----> 9可训练=正确）        10＃self.b = K.variable（value = np.random.rand（input_shape [0] [1]）-0.5，   dtype ='float32'）＃        11 super（modrelu，self）.build（input_shape）＃一定要在最后调用它

     

〜\ AppData \ Local \ conda \ conda \ envs \ py36 \ lib \ site-packages \ tensorflow \ python \ keras \ engine \ base_layer.py   在add_weight（自我，名称，形状，dtype，初始值设定项，正则化器，   可训练，约束，分区器，use_resource，同步，   聚合，** kwargs）       607个collection = collections，       608同步=同步，   -> 609聚合=聚合）       610 backend.track_variable（变量）       611

     

〜\ AppData \ Local \ conda \ conda \ envs \ py36 \ lib \ site-packages \ tensorflow \ python \ training \ checkpointable \ base.py   在_add_variable_with_custom_getter（自身，名称，形状，dtype，   初始化程序，getter，覆盖，** kwargs_for_getter）       第637章       638名称=名称，形状=形状，dtype = dtype，初始化=初始化，   -> 639 ** kwargs_for_getter）       640       641＃如果我们设置了一个初始化程序并对该变量进行了处理，则跟踪不会

     

〜\ AppData \ Local \ conda \ conda \ envs \ py36 \ lib \ site-packages \ tensorflow \ python \ keras \ engine \ base_layer.py   在make_variable中（名称，形状，dtype，初始值设定项，partition_info，   可训练，caching_device，validate_shape，约束，use_resource，   集合，同步，聚合，分区程序）1975
  collections = collections，1976年
  同步=同步，   -> 1977聚合=聚合）1978 return v 1979

     

〜\ AppData \ Local \ conda \ conda \ envs \ py36 \ lib \ site-packages \ tensorflow \ python \ ops \ variables.py   在通话中（cls，* args，** kwargs）       181 def 通话（cls，* args，** kwargs）：       182如果cls是VariableV1：   -> 183 return cls._variable_v1_call（* args，** kwargs）       184个elif cls是变量：       185 return cls._variable_v2_call（* args，** kwargs）

     

〜\ AppData \ Local \ conda \ conda \ envs \ py36 \ lib \ site-packages \ tensorflow \ python \ ops \ variables.py   在_variable_v1_call中（cls，initial_value，可训练，集合，   validate_shape，caching_device，名称，variable_def，dtype，   Expected_shape，import_scope，约束，use_resource，   同步，聚合）       144 use_resource = use_resource，       145同步=同步   -> 146个聚合=聚合）       147       148 def _variable_v2_call（cls，

     

〜\ AppData \ Local \ conda \ conda \ envs \ py36 \ lib \ site-packages \ tensorflow \ python \ ops \ variables.py   在（** kwargs）中       123聚合=变量聚合（无）：       124“”“调用Variable类。用于强制签名。”“”   -> 125 previous_getter = lambda ** kwargs：default_variable_creator（无，** kwargs）       ops.get_default_graph（）中的getter的126._variable_creator_stack：＃pylint：   禁用=受保护的访问       127 previous_getter = _make_getter（getter，previous_getter）

     

〜\ AppData \ Local \ conda \ conda \ envs \ py36 \ lib \ site-packages \ tensorflow \ python \ ops \ variable_scope.py   在default_variable_creator（next_creator，** kwargs）中2435
  caching_device =缓存设备，名称=名称，dtype = dtype，2436
  约束=约束，variable_def = variable_def，   -> 2437 import_scope = import_scope）2438否则：2439返回变量。RefVariable（

     

〜\ AppData \ Local \ conda \ conda \ envs \ py36 \ lib \ site-packages \ tensorflow \ python \ ops \ variables.py   在通话中（cls，* args，** kwargs）       185 return cls._variable_v2_call（* args，** kwargs）       186其他：   -> 187 return super（VariableMetaclass，cls）。调用（* args，** kwargs）       188       189

     

〜\ AppData \ Local \ conda \ conda \ envs \ py36 \ lib \ site-packages \ tensorflow \ python \ ops \ resource_variable_ops.py   在 init （自身，initial_value，可训练，集合，   validate_shape，caching_device，名称，dtype，variable_def，   import_scope，约束）       295 name = name，       296 dtype = dtype，   -> 297约束=约束）       298       299＃pylint：disable = unused-argument

     

〜\ AppData \ Local \ conda \ conda \ envs \ py36 \ lib \ site-packages \ tensorflow \ python \ ops \ resource_variable_ops.py   在_init_from_args（自身，initial_value，可训练，集合，   validate_shape，caching_device，名称，dtype，约束）       407 with ops.name_scope（“ Initializer”），ops.device（None）：       第408章   -> 409 initial_value（）如果是init_from_fn否则为initial_value，       410 name =“ initial_value”，dtype = dtype）       411 self._handle = eager_safe_variable_handle（

     

〜\ AppData \ Local \ conda \ conda \ envs \ py36 \ lib \ site-packages \ tensorflow \ python \ keras \ engine \ base_layer.py   in（）1957年Initializer = Initializer（dtype = dtype）
  第1958章真相大白   disable = g-long-lambda   -> 1959形状，dtype = dtype，partition_info = partition_info）1960 variable_dtype = dtype.base_dtype 1961如果use_resource   没有：

     

〜\ AppData \ Local \ conda \ conda \ envs \ py36 \ lib \ site-packages \ tensorflow \ python \ ops \ init_ops.py   在通话中（自身，形状，dtype，partition_info）       253第dtype = self.dtype       （254）第254章   -> 255个形状，self.minval，self.maxval，dtype，seed = self.seed）       256       257 def get_config（）：

     

〜\ AppData \ Local \ conda \ conda \ envs \ py36 \ lib \ site-packages \ tensorflow \ python \ ops \ random_ops.py   以random_uniform（形状，最小，最大，dtype，种子，名称）       233 maxval = 1       234，以ops.name_scope（name，“ random_uniform”，[shape，minval，maxval]）作为名称：   -> 235形状= _ShapeTensor（形状）       236 minval = ops.convert_to_tensor（minval，dtype = dtype，name =“ min”）       237 maxval = ops.convert_to_tensor（maxval，dtype = dtype，name =“ max”）

     

〜\ AppData \ Local \ conda \ conda \ envs \ py36 \ lib \ site-packages \ tensorflow \ python \ ops \ random_ops.py   在_ShapeTensor（shape）中        其他42个：        43 dtype =无   ---> 44 return ops.convert_to_tensor（shape，dtype = dtype，name =“ shape”）        45        46

     

〜\ AppData \ Local \ conda \ conda \ envs \ py36 \ lib \ site-packages \ tensorflow \ python \ framework \ ops.py   在convert_to_tensor中（值，dtype，名称，preferred_dtype）1048
  名称=名称，1049 preferred_dtype = preferred_dtype，   -> 1050 as_ref = False）1051 1052

     

〜\ AppData \ Local \ conda \ conda \ envs \ py36 \ lib \ site-packages \ tensorflow \ python \ framework \ ops.py   在internal_convert_to_tensor（value，dtype，name，as_ref，   preferred_dtype，ctx）1144 1145如果ret为None：   -> 1146 ret = conversion_func（value，dtype = dtype，name = name，as_ref = as_ref）1147 1148如果未实现ret：

     

〜\ AppData \ Local \ conda \ conda \ envs \ py36 \ lib \ site-packages \ tensorflow \ python \ framework \ constant_op.py   在_constant_tensor_conversion_function（v，dtype，name，as_ref）中       第227章       第228章   -> 229返回常量（v，dtype = dtype，name = name）       230       231

     

〜\ AppData \ Local \ conda \ conda \ envs \ py36 \ lib \ site-packages \ tensorflow \ python \ framework \ constant_op.py   以常量（值，dtype，形状，名称，verify_shape）       206 tensor_value.tensor.CopyFrom（       第207章   -> 208值，dtype = dtype，shape = shape，verify_shape = verify_shape））       （209）第209章       210 const_tensor = g.create_op（

     

〜\ AppData \ Local \ conda \ conda \ envs \ py36 \ lib \ site-packages \ tensorflow \ python \ framework \ tensor_util.py   在make_tensor_proto中（值，dtype，形状，verify_shape）       529引发TypeError（“无法将类型为％s的对象转换为Tensor。”       530“内容：％s。考虑将元素强制转换为”   -> 531“支持的类型”。 ％（类型（值），值）       532张量值_proto.string_val.extend（str_values）       533返回tensor_proto

     

TypeError：无法将类型的对象转换为Tensor。   内容：（Dimension（2），）。考虑将元素投射到受支持的对象   类型。

Answer 1

您将以TensorShape实例的身材出现。如果执行不急，可以使用as_list()属性将其转换为Python列表：

if tf.executing_eagerly():
    shape = (input_shape[0][1], )
else:
    shape = (input_shape[0].as_list()[1], )

在您的代码中将是这样：

import tensorflow as tf
from tensorflow.keras.layers import Layer
import numpy as np

class modrelu(Layer):
    def __init__(self, **kwargs):
        super(modrelu, self).__init__(**kwargs)

    def build(self, input_shape):
        if tf.executing_eagerly():
            shape = (input_shape[0][1])
        else:
            shape = (input_shape[0].as_list()[1], )
        self.b = self.add_weight(name='brad',
                                 shape=shape,
                                 initializer='uniform',
                                 trainable=True)
        super(modrelu, self).build(input_shape)  # Be sure to call this at the end

    def call(self, x):
        assert isinstance(x, list)
        ip_r, ip_i = x
        comp = tf.complex(ip_r, ip_i) 
        ABS = tf.math.abs(comp)
        ANG = tf.math.angle(comp)
        ABS = tf.nn.relu( self.b + ABS) 
        op_i =  ABS * tf.sin(ANG) #K.dot ??
        op_r = ABS * tf.cos(ANG)
        return [op_r, op_i]

    def compute_output_shape(self, input_shape):
        assert isinstance(input_shape, list)
        shape_a, shape_b = input_shape
        return [shape_a, shape_b]

act = modrelu()
a = tf.constant(np.array([[1,2], [4,4]]), dtype='float32')
b = tf.constant(np.array([[3,4], [5, -1]]), dtype='float32')
act([a,b])
# [<tf.Tensor 'modrelu_6/mul_1:0' shape=(2, 2) dtype=float32>,
#  <tf.Tensor 'modrelu_6/mul:0' shape=(2, 2) dtype=float32>]