持续更新：Tensorflow学习中遇到的问题汇总

1. 报错：‘RefVariable’ object has no attribute ‘_id’

运行Tensorflow代码，报错，发现该问题是由于该工程代码中有用到动态图机制，在库加载的位置需要执行：tf.enable_eager_execution()。

2. 报错“‘Tensor’ object has no attribute ‘ndim’”

第二节课作业中，利用 Keras 中的高级 API 进行训练，同时用ModelCheckpoint方式保存模型时出错。

3. predict=model(xxx)与model.predict问题

predict=model(xxx) 调用的是keras.model.call 只对输入数据执行前向过程，返回output，这点和model.predict 一样。但model.predict内部用batch去迭代取数据，可以处理一次扔进去的一个大数据集，可迭代的数据生成器等等，这点有点像.fit，为效率，最好predict的时候设置batch_size,可能还有一些其他的优化大量数据预测的设置。但model.call只能放入和模型结构形状一样的数据或tensor。

4. Fit函数参数说明 fit( x, y, batch_size=32, epochs=10, verbose=1, callbacks=None, validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0)

• x：输入数据。如果模型只有一个输入，那么x的类型是numpy
array，如果模型有多个输入，那么x的类型应当为list，list的元素是对应于各个输入的numpy array
• y：标签，numpy array
• batch_size：整数，指定进行梯度下降时每个batch包含的样本数。训练时一个batch的样本会被计算一次梯度下降，使目标函数优化一步。
• epochs：整数，训练终止时的epoch值，训练将在达到该epoch值时停止，当没有设置initial_epoch时，它就是训练的总轮数，否则训练的总轮数为epochs - inital_epoch
• verbose：日志显示，0为不在标准输出流输出日志信息，1为输出进度条记录，2为每个epoch输出一行记录
• callbacks：list，其中的元素是keras.callbacks.Callback的对象。这个list中的回调函数将会在训练过程中的适当时机被调用，参考回调函数
• validation_split：0~1之间的浮点数，用来指定训练集的一定比例数据作为验证集。验证集将不参与训练，并在每个epoch结束后测试的模型的指标，如损失函数、精确度等。注意，validation_split的划分在shuffle之前，因此如果你的数据本身是有序的，需要先手工打乱再指定validation_split，否则可能会出现验证集样本不均匀。
• validation_data：形式为（X，y）的tuple，是指定的验证集。此参数将覆盖validation_spilt。
• shuffle：布尔值或字符串，一般为布尔值，表示是否在训练过程中随机打乱输入样本的顺序。若为字符串“batch”，则是用来处理HDF5数据的特殊情况，它将在batch内部将数据打乱。
• class_weight：字典，将不同的类别映射为不同的权值，该参数用来在训练过程中调整损失函数（只能用于训练）
• sample_weight：权值的numpy
array，用于在训练时调整损失函数（仅用于训练）。可以传递一个1D的与样本等长的向量用于对样本进行1对1的加权，或者在面对时序数据时，传递一个的形式为（samples，sequence_length）的矩阵来为每个时间步上的样本赋不同的权。这种情况下请确定在编译模型时添加了sample_weight_mode=’temporal’。
• initial_epoch: 从该参数指定的epoch开始训练，在继续之前的训练时有用。
fit函数返回一个History的对象，其History.history属性记录了损失函数和其他指标的数值随epoch变化的情况，如果有验证集的话，也包含了验证集的这些指标变化情况

5. Input ‘y’ of ‘Sub’ Op has type float64 that does not match type float32 of argument ‘x’.

报错位置：loss = tf.reduce_mean(tf.square(predictions - labels))
采用@tf.function对模型进行修饰后，转换成静态图方式运行，此时系统无法自动对类型不匹配的数据进行转换计算。

6. RuntimeError: iter() is only supported inside of tf.function or when eager execution is enabled.

这是由于程序中用到了动态图方式方式，允许不创建静态图的情况下执行程序，对于tensorflow 2.0以下版本，需要在import tensorflow 后，调用tf.enable_eager_execution()，2.0以上版本默认打开。