张量类型的变量初始值设定项必须包装在 init_scope 或可调用中

Question

我已经为crf损失计算编写了一个自定义的 keras 损失。

def myLoss(self,y_true, y_pred):
    """
    Args:
        y_true: a tensor of shape batch_size X  num_labels 
        y_pred: a tensor of shape batch_size X seq_length X num_labels
        
    """
    with tf.init_scope():
        self.seqlen = tf.constant(self.batch_size, shape=(self.seq_length,))
    log_likelihood, transtion = tfa.text.crf.crf_log_likelihood(y_pred,y_true,self.seqlen )# logits, labels, seq_length
        loss = tf.reduce_sum(-log_likelihood)
    return loss

但是上面的代码引发了以下问题：

ValueError: Tensor-typed variable initializers must either be wrapped in an init_scope or callable (e.g., `tf.Variable(lambda : tf.truncated_normal([10, 40]))`) when building functions. Please file a feature request if this restriction inconveniences you.

根据错误，我尝试用 包装张量计算init_scope，但不确定这是否是正确的方法。建议？

Answer 1

我遇到了类似的问题，但在不同的背景下。使变量初始值设定项可调用对我有用。lambda只需在像这样调用代码之前添加一个self.seqlen，看看它是否有效：

tfa.text.crf.crf_log_likelihood(y_pred, y_true, lambda: self.seqlen)