Tensorflow 2：获取“警告：tensorflow：最近 9 次对 <function> 的调用中的 9 次触发了 tf.function 重新跟踪。跟踪成本高昂”

Question

我认为这个错误是由形状问题引起的，但我不知道在哪里。完整的错误消息建议执行以下操作：

此外，tf.function 具有experimental_relax_shapes=True 选项，可以放宽参数形状，从而避免不必要的回溯。

当我在函数装饰器中输入这个参数时，它确实起作用了。

@tf.function(experimental_relax_shapes=True)

原因可能是什么？这是完整的代码：

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '3'
import tensorflow as tf
print(f'Tensorflow version {tf.__version__}')
from tensorflow import keras
from tensorflow.keras.layers import Dense, Conv1D, GlobalAveragePooling1D, Embedding
import tensorflow_datasets as tfds
from tensorflow.keras.models import Model

(train_data, test_data), info = tfds.load('imdb_reviews/subwords8k',
                                          split=[tfds.Split.TRAIN, tfds.Split.TEST],
                                          as_supervised=True, with_info=True)

padded_shapes = ([None], ())

train_dataset = train_data.shuffle(25000).\
    padded_batch(padded_shapes=padded_shapes, batch_size=16)
test_dataset = test_data.shuffle(25000).\
    padded_batch(padded_shapes=padded_shapes, batch_size=16)

n_words = info.features['text'].encoder.vocab_size


class ConvModel(Model):
    def __init__(self):
        super(ConvModel, self).__init__()
        self.embe = Embedding(n_words, output_dim=16)
        self.conv = Conv1D(32, kernel_size=6, activation='elu')
        self.glob = GlobalAveragePooling1D()
        self.dens = Dense(2)

    def call(self, x, training=None, mask=None):
        x = self.embe(x)
        x = self.conv(x)
        x = self.glob(x)
        x = self.dens(x)
        return x


conv = ConvModel()

conv(next(iter(train_dataset))[0])

loss_object = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)

train_loss = tf.keras.metrics.Mean()
test_loss = tf.keras.metrics.Mean()

train_acc = tf.keras.metrics.CategoricalAccuracy()
test_acc = tf.keras.metrics.CategoricalAccuracy()

optimizer = tf.keras.optimizers.Adam(learning_rate=1e-3)


@tf.function
def train_step(inputs, labels):
    with tf.GradientTape() as tape:
        logits = conv(inputs, training=True)
        loss = loss_object(labels, logits)
        train_loss(loss)
        train_acc(logits, labels)

    gradients = tape.gradient(loss, conv.trainable_variables)
    optimizer.apply_gradients(zip(gradients, conv.trainable_variables))


@tf.function
def test_step(inputs, labels):
    logits = conv(inputs, training=False)
    loss = loss_object(labels, logits)
    test_loss(loss)
    test_acc(logits, labels)


def learn():
    train_loss.reset_states()
    test_loss.reset_states()
    train_acc.reset_states()
    test_acc.reset_states()

    for text, target in train_dataset:
        train_step(inputs=text, labels=target)

    for text, target in test_dataset:
        test_step(inputs=text, labels=target)


def main(epochs=2):
    for epoch in tf.range(1, epochs + 1):
        learn()
        template = 'TRAIN LOSS {:>5.3f} TRAIN ACC {:.2f} TEST LOSS {:>5.3f} TEST ACC {:.2f}'

        print(template.format(
            train_loss.result(),
            train_acc.result(),
            test_loss.result(),
            test_acc.result()
        ))

if __name__ == '__main__':
    main(epochs=1)

Answer 1

TF/DR：此错误的根本原因是由于train_data批次之间形状的变化而变化。修复 的大小/形状train_data可以解决此跟踪警告。我更改了以下行，然后一切都按预期进行。完整要点在这里

padded_shapes = ([9000], ())#None.

细节：

正如警告消息中提到的

警告：tensorflow：最近 11 次对 <function train_step at 0x7f4825f6d400> 的调用中有 10 次触发了 tf.function 回溯。跟踪成本很高，并且跟踪次数过多可能是由于 (1) 在循环中重复创建 @tf.function，(2) 传递不同形状的张量，(3) 传递 Python 对象而不是张量。对于 (1)，请在循环外部定义 @tf.function。对于（2），@tf.function具有experimental_relax_shapes=True选项，可以放宽参数形状，从而避免不必要的回溯。

由于警告消息中提到的三个原因，会发生此回溯警告。原因 (1) 不是根本原因，因为 @tf.function 没有在循环中调用，原因 (3) 也不是根本原因，因为 和 的参数train_step都是test_step张量对象。所以根本原因就是警告中提到的原因 (2)。

当我打印 的尺寸时train_data，它打印出不同的尺寸。所以我尝试填充，train_data使所有批次的形状都相同。

 padded_shapes = ([9000], ())#None.  # this line throws tracing error as the shape of text is varying for each step in an epoch.
    # as the data size is varying, tf.function will start retracing it
    # For the demonstration, I used 9000 as max length, but please change it accordingly