我正在使用TensorFlow训练一个模型，并希望在每个批次后打印模型的损失。我使用了一个自定义的训练循环，类似于以下代码：

import tensorflow as tffrom tensorflow.keras.losses import cosine_similarityfrom tensorflow.keras.optimizers import Adammodel = get_model(**model_params)g = get_generator(**generator_params)optimizer = Adam()epochs = 10for epoch in range(epochs):   for i in range(len(g)):      with tf.GradientTape() as tape:         x,y = g[i]         model_prediction = model(x)         loss = cosine_similarity(y, model_prediction)         gradients = tape.gradient(loss, model.trainable_weights)         optimizer.apply_gradients(zip(gradients, model.trainable_weights))                  print(f"Batch {i}/{len(g)}. Loss: {loss.eval(session=tf.Session()): .4f}")

由于损失是一个张量，为了能够看到其值，我需要将其转换为NumPy数组（计划并不是要打印数组，但一旦我能将张量转换为数组，就能解决我的问题）。不幸的是，我尝试的方法导致了以下错误：

Failed precondition: Error while reading resource variable dense_5/kernel from Container: localhost. This could mean that the variable was uninitialized. Not found: Container localhost does not exist.`

我还尝试通过添加以下代码来编辑循环：

for epoch in range(epochs):   for i in range(len(g)):      with tf.GradientTape() as tape, tf.Session() as session:         # 训练代码         loss_numpy = session.run(loss)

这会产生与上述相同的错误，我也尝试在每个训练步骤初始化全局变量：

for epoch in range(epochs):   for i in range(len(g)):      with tf.GradientTape() as tape, tf.Session() as session:         # 训练代码         init = tf.global_variables_initializer()         session.run(init)         print(f"Batch {i}/{len(g)}. Loss: {session.run(loss): .4f}")

这不会抛出错误，但速度非常慢，并且输出许多我想避免的与Nvidia相关的其他信息。

有没有办法避免错误而无需在每个步骤进行变量初始化？或者是否有办法屏蔽与Nvidia相关的输出？

回答：

查看代码和错误，我的猜测是你没有正确处理TensorFlow会话和Keras所需和使用的范围。

一种可能是它没有被正确初始化。这是因为你没有使用照顾这些的标准Keras训练流程。或者它可能进行到一半，因为你使用了with操作符，当with内的块完成时，会话就被关闭了。这就是Python中with的用途。

我自己没有尝试过，但我的直觉是，如果你在开始处理训练之前自己实例化一个会话，然后在整个过程中保持该会话，这应该可以工作。

顺便说一句，你实际上不需要将损失转换为NumPy对象来打印或检查它。如果你直接用TensorFlow进行数学运算，可能会在速度和稳定性方面更容易，并避免进行转换。