回调中的Keras指标添加到了Tensorflow图

Question

我正在用Keras训练模型，并定义了一个回调，在每个回调之后我都会计算一些指标。我使用keras.metrics之类的mean_absolute_error中的函数。我的回调如下：

class CalcMae(Callback): 

    def __init__(self):
        placeholder = np.zeros((batch_size, 1))
        self.val_y_true = K.variable(placeholder, name='val_y_true')
        self.val_y_pred = K.variable(placeholder, name='val_y_pred')

    def on_epoch_end(self, epoch, logs={}):
        # get some values for y_true and y_pred
        K.set_value(self.val_y_true, local_val_y_true)
        K.set_value(self.val_y_pred, local_val_y_pred)

        val_mea = K.eval(keras.metrics.mean_absolute_error(self.val_y_true, self.val_y_pred)))

现在，每个纪元训练的速度都变慢了一点，我在使用tensorboard时，发现对mean_absolute_error的调用将节点添加到tensorflow图中。我的猜测是，图表在每个时期都会变大，从而导致时期变慢。

我的问题是：为什么在仅仅计算一个值时，调用mean_absolute_error（或其他度量/损耗）会在tensorflow图上添加节点？为此，最好定义自己的度量函数吗？

（我无法使用Keras本身的指标，因为我需要一些无法通过指标函数访问的额外数据）

修改

我通过numpy操作实现了我需要的损失和指标。现在培训还没有放缓（尚未）。我仍然想知道为什么简单的计算需要将节点添加到tensorflow图。