Tensorflow 2.0：自定义 keras 指标导致 tf.function 回溯警告答案

【问题标题】：Tensorflow 2.0: custom keras metric caused tf.function retracing warningTensorflow 2.0：自定义 keras 指标导致 tf.function 回溯警告
【发布时间】：2020-03-07 21:27:51
【问题描述】：

当我使用以下自定义指标（keras 样式）时：

from sklearn.metrics import classification_report, f1_score
from tensorflow.keras.callbacks import Callback

class Metrics(Callback):
    def __init__(self, dev_data, classifier, dataloader):
        self.best_f1_score = 0.0
        self.dev_data = dev_data
        self.classifier = classifier
        self.predictor = Predictor(classifier, dataloader)
        self.dataloader = dataloader

    def on_epoch_end(self, epoch, logs=None):
        print("start to evaluate....")
        _, preds = self.predictor(self.dev_data)
        y_trues, y_preds = [self.dataloader.label_vector(v["label"]) for v in self.dev_data], preds
        f1 = f1_score(y_trues, y_preds, average="weighted")
        print(classification_report(y_trues, y_preds,
                                    target_names=self.dataloader.vocab.labels))
        if f1 > self.best_f1_score:
            self.best_f1_score = f1
            self.classifier.save_model()
            print("best metrics, save model...")

我收到以下警告：

W1106 10:49:14.171694 4745115072 def_function.py:474] 在 0x14a3f9d90> 对 .distributed_function 的最后 11 次调用中有 6 次触发了 tf.function 回溯。跟踪很昂贵，并且过多的跟踪可能是由于传递了 python 对象而不是张量。此外， tf.function 具有 Experimental_relax_shapes=True 选项，可以放宽可以避免不必要的回溯的参数形状。详情请参考https://www.tensorflow.org/beta/tutorials/eager/tf_function#python_or_tensor_args和https://www.tensorflow.org/api_docs/python/tf/function。

【问题讨论】：

标签： python python-3.x tensorflow tensorflow2.0

【解决方案1】：

当回溯 TF 函数时会出现此警告，因为其参数的形状或 dtype（对于张量）甚至值（Python 或 np 对象或变量）发生变化。

在一般情况下，解决方法是在定义您传递给 Keras 或 TF 某处的自定义函数之前使用 @tf.function(experimental_relax_shapes=True)。这会尝试检测并避免不必要的回溯，但不能保证解决问题。

在你的情况下，我猜 Predictor 类是一个自定义类，所以将 @tf.function(experimental_relax_shapes=True) 放在 Predictor.predict() 的定义之前。

【讨论】：

【解决方案2】：

导入tensorflow后添加这一行：

tf.compat.v1.disable_eager_execution()

【讨论】：

【解决方案3】：

然后使用@tf.function(experimental_relax_shapes=True) 可能会解决您的问题

【讨论】：

装饰器应该加在哪里？