当 run_eagerly = False

如何解决当 run_eagerly = False

当我对 Model 类进行子类化时，我在尝试评估在自定义 train_step() 中计算的张量时遇到了问题。当我在 Tensor.numpy() 内传递 run_eagerly = True 时，我可以使用 model.compile(...) 但据我所知，这效率不高。我尝试了其他建议，例如使用 Tensor.eval()（无默认会话）、backend.get_values(Tensor)（Tensor 没有属性 numpy()）等，但没有成功。我有一个我想在下面实现的简化示例：

class CustomModel(keras.Model):

def __init__(self,**kwargs):
    super().__init__(**kwargs)
    self.saved_pred = []

def train_step(self,data):
    x,y = data
    
    with tf.GradientTape() as tape:
        y_pred = self(x,training=True)  # Forward pass
        loss = self.compiled_loss(y,y_pred,regularization_losses=self.losses)

    # Compute gradients
    trainable_vars = self.trainable_variables
    gradients = tape.gradient(loss,trainable_vars)
    # Update weights
    self.optimizer.apply_gradients(zip(gradients,trainable_vars))
    # Update metrics (includes the metric that tracks the loss)
    self.compiled_metrics.update_state(y,y_pred)
    # Return a dict mapping metric names to current value

    self.saved_pred.append(y_pred)

    return {m.name: m.result() for m in self.metrics}

import numpy as np

inputs = keras.Input(shape=(32,))
outputs = keras.layers.Dense(1)(inputs)
model = CustomModel(inputs = inputs,outputs = outputs)
model.compile(optimizer=“adam”,loss=“mse”,metrics=[“mae”])

x = np.random.random((1000,32))
y = np.random.random((1000,1))
model.fit(x,y,epochs=3)

当我打印 model.saved_pred 时，我得到以下信息：

ListWrapper([<tf.Tensor ‘custom_model_1/dense_5/BiasAdd:0’ shape=(None,1) dtype=float32>,<tf.Tensor ‘custom_model_1/dense_5/BiasAdd:0’ shape=(None,1) dtype=float32>])

是否有某种方法可以在 train_step() 内部或在 model.fit() 之后提取这些张量的值（作为 numpy 数组）？