• • 我的目标：**在自定义RNN单元格中使用add_loss方法（在图形执行模式下）添加输入相关损耗。
• • 常规设置：**
• 使用Python 3.9
• 使用TensorFlow 2.8或2.10
• 假设import tensorflow as tf，我有一个子类tf.keras.Model，它使用标准的tf.keras.layers.RNN层和一个自定义RNN单元（子类tf.keras.layers.Layer），在我的自定义RNN单元中，我调用self.add_loss(*)来添加一个依赖于输入的损耗。
• • 预期结果**：当我调用Model.fit()时，add_loss方法被调用用于每个批处理和每个时间步，梯度计算步骤使用增加的损耗而不产生错误。
• • 实际结果：**当我调用Model.fit()时，在梯度计算步骤中会引发InaccessibleTensorError，特别是在Model.train_step()内部调用self.losses时。

Exception has occurred: InaccessibleTensorError
<tf.Tensor 'foo_model/rnn/while/bar_cell/Sum_1:0' shape=() dtype=float32> is out of scope and cannot be used here. Use return values, explicit Python locals or TensorFlow collections to access it.
Please see https://www.tensorflow.org/guide/function#all_outputs_of_a_tffunction_must_be_return_values for more information.

• • 我尝试过的**
• 使用unroll=True初始化RNN层时（使用eager-或graph-execution），不会引发该错误。不幸的是，这对我没有帮助，因为我的序列可能很长。调试时检查self.losses显示了正确的元素数量（即4，每个时间步一个）。
• 使用立即执行和unroll=False时不会引发此错误。但检查self.losses时显示self.losses中的元素数不正确;有一个额外的元素（即5）。进一步调查发现，有一个额外的add_loss调用。不确定为什么会发生这种情况。
• 切换到TensorFlow的最新稳定版本（2.10.0）无法修复此问题。
• 在TensorFlow的GitHub上搜索了Web、Stack Overflow和问题/代码后，我完全被难住了。

最小可重现示例

• 使用pytest <name_of_file>.py从命令行运行。

import pytest
import tensorflow as tf

class FooModel(tf.keras.Model):
    """A basic model for testing.

    Attributes:
        cell: The RNN cell layer.

    """

    def __init__(self, rnn=None, **kwargs):
        """Initialize.

        Args:
            rnn: A Keras RNN layer.
            kwargs:  Additional key-word arguments.

        Raises:
            ValueError: If arguments are invalid.

        """
        super().__init__(**kwargs)

        # Assign layers.
        self.rnn = rnn

    def call(self, inputs, training=None):
        """Call.

        Args:
            inputs: A dictionary of inputs.
            training (optional): Boolean indicating if training mode.

        """
        output = self.rnn(inputs, training=training)
        return output

class BarCell(tf.keras.layers.Layer):
    """RNN cell for testing."""
    def __init__(self, **kwargs):
        """Initialize.

        Args:

        """
        super(BarCell, self).__init__(**kwargs)

        # Satisfy RNNCell contract.
        self.state_size = [tf.TensorShape([1]),]

    def call(self, inputs, states, training=None):
        """Call."""
        output = tf.reduce_sum(inputs, axis=1) + tf.constant(1.0)
        self.add_loss(tf.reduce_sum(inputs))

        states_tplus1 = [states[0] + 1]
        return output, states_tplus1

@pytest.mark.parametrize(
    "is_eager", [True, False]
)
@pytest.mark.parametrize(
    "unroll", [True, False]
)
def test_rnn_fit_with_add_loss(is_eager, unroll):
    """Test fit method (triggering backprop)."""
    tf.config.run_functions_eagerly(is_eager)

    # Some dummy input formatted as a TF Dataset.
    n_example = 5
    x = tf.constant([
        [[1, 2, 3], [2, 0, 0], [3, 0, 0], [4, 3, 4]],
        [[1, 13, 8], [2, 0, 0], [3, 0, 0], [4, 13, 8]],
        [[1, 5, 6], [2, 8, 0], [3, 16, 0], [4, 5, 6]],
        [[1, 5, 12], [2, 14, 15], [3, 17, 18], [4, 5, 6]],
        [[1, 5, 6], [2, 14, 15], [3, 17, 18], [4, 5, 6]],
    ], dtype=tf.float32)
    y = tf.constant(
        [
            [[1], [2], [1], [2]],
            [[10], [2], [1], [7]],
            [[4], [2], [6], [2]],
            [[4], [2], [1], [2]],
            [[4], [2], [1], [2]],
        ], dtype=tf.float32
    )
    ds = tf.data.Dataset.from_tensor_slices((x, y))
    ds = ds.batch(n_example, drop_remainder=False)

    # A minimum model to reproduce the issue.
    cell = BarCell()
    rnn = tf.keras.layers.RNN(cell, return_sequences=True, unroll=unroll)
    model = FooModel(rnn=rnn)
    compile_kwargs = {
        'loss': tf.keras.losses.MeanSquaredError(),
        'optimizer': tf.keras.optimizers.Adam(learning_rate=.001),
    }
    model.compile(**compile_kwargs)

    # Call fit which will trigger gradient computations and raise an error
    # during graph execution.
    model.fit(ds, epochs=1)