嘗試在Keras中創建自定義損失函數時出現“僅當啟用急切執行時，張量對象才可迭代”錯誤

Question

我正在嘗試使用神經網絡來做SVD。 我的輸入是一個矩陣（僅說4x4矩陣），輸出是一個表示分解形式的向量（假設輸入是4x4，這將是一個36元素向量，其中U元素為16個元素，S元素為4個元素，S元素為16個元素對於VT）。

我試圖定義一個自定義損失函數，而不是在分解后的表單上使用MSE之類的東西。 因此，我不想比較36個長度向量的損失，而是要計算重建矩陣之間的損失。 因此，如果A = U * S * VT （實際）並且A' = U' * S' * V.T' （預測），我想計算A和A'之間的損耗。

我對tensorflow和keras相當陌生，因此我可能在做一些幼稚的事情，但是到目前為止，這是我所擁有的。 雖然邏輯對我來說還可以，但我收到TypeError: Tensor objects are only iterable when eager execution is enabled. To iterate over this tensor use tf.map_fn. TypeError: Tensor objects are only iterable when eager execution is enabled. To iterate over this tensor use tf.map_fn. 我不確定為什么會這樣，如何解決？ 另外，我是否需要像我目前正在做的那樣平整來自reconstruct_matrix的輸出，還是應該保持原樣？

# This function takes the decomposed matrix (vector of U, S, V.T)
# and reconstructs the original matrix

def reconstruct_matrix(decomposed_vector):
  example = decomposed_vector
  s = np.zeros((4,4))
  for en, i in enumerate(example[16:20]):
    s[en, en] = i
  u = example[:16].reshape(4,4)
  vt = example[20:].reshape(4,4)
  orig = np.matmul(u, s)
  orig = np.matmul(orig, vt)
  return orig.flatten() # Given that matrices are 4x4, this will be a length 16 vector

# Custom loss that essentially computes MSE on reconstructed matrices 

def custom_loss(y_true, y_pred):
    Y = reconstruct_matrix(y_true)
    Y_prime = reconstruct_matrix(y_pred)
    return K.mean(K.square(Y - Y_prime)) 

model.compile(optimizer='adam',
              loss=custom_loss)

注意：我的keras版本是2.2.4，我的tensorflow版本是1.14.0。

Answer 1

在tf1.x ，默認情況下，急切執行被禁用（從版本2開始啟用）。

您必須通過調用腳本頂部來啟用它：

import tensorflow as tf

tf.enable_eager_execution()

這種模式允許您將類似Python的抽象用於流控制（例如for您在代碼中一直使用的if語句和for循環）。 如果禁用它，則需要使用Tensorflow函數（ tf.cond和tf.while_loop分別用於if和for ）。

有關更多信息，請參閱docs 。

順便說一句。 我不確定是否要展平，但是請記住您的y_true和y_pred需要相同的形狀，並且樣本必須彼此對應，如果可以的話，您應該可以。