为什么TensorFlow在tf.keras.Model的predict_step函数中禁用急切执行？我可能理解错了，但这里有一个例子：

from __future__ import annotationsfrom functools import wrapsimport tensorflow as tfdef print_execution(func):    @wraps(func)    def wrapper(self: SimpleModel, data):        print(tf.executing_eagerly())  # 打印False        return func(self, data)    return wrapperclass SimpleModel(tf.keras.Model):    def __init__(self):        super().__init__()    def call(self, inputs, training=None, mask=None):        return inputs    @print_execution    def predict_step(self, data):        return super().predict_step(data)if __name__ == "__main__":    x = tf.random.uniform((2, 2))    print(tf.executing_eagerly())  # 打印True    model = SimpleModel()    pred = model.predict(x)

这是预期的行为吗？有没有办法强制predict_step在急切模式下运行？

回答：

如果你想让predict_step函数在急切模式下运行，可以按以下方式操作。请注意，这将使所有内容都处于急切模式。

import tensorflow as tftf.config.run_functions_eagerly(True)

通常tf.function处于Graph模式。使用上述语句，它们也可以设置为Eager模式，来源。

根据你的评论，据我所知，在编译模型时设置run_eagerly应该不会有任何区别。这里是官方声明的内容，来源 – model.compile。

run_eagerly: 布尔值。默认为False。如果为True，此模型的逻辑将不会被包装在tf.function中。建议除非你的模型无法在tf.function中运行，否则保持此选项为None。

关于你的第一个问题，为什么TensorFlow在tf.keras.Model的predict_step函数中禁用急切执行？

主要原因之一是为了提供模型的最佳性能。不仅是predict_step，还有train_step和test_step也是如此。基本上，tf.keras模型被编译为静态图。为了让它们在急切模式下运行，需要执行上述方法。但请注意，在这种情况下使用急切模式可能会减慢你的训练速度。为了整体利益，tf.keras模型是在图模式下编译的。