如何在tf.data.Dataset.map()中使用Keras的predict_on_batch？

我想找到一种使用 Keras 的方法predict_on_batch inside tf.data.Dataset.map() in TF2.0.

假设我有一个 numpy 数据集

n_data = 10**5
my_data    = np.random.random((n_data,10,1))
my_targets = np.random.randint(0,2,(n_data,1))

data = ({'x_input':my_data}, {'target':my_targets})

and a tf.keras model

x_input = Input((None,1), name = 'x_input')
RNN     = SimpleRNN(100,  name = 'RNN')(x_input)
dense   = Dense(1, name = 'target')(RNN)

my_model = Model(inputs = [x_input], outputs = [dense])
my_model.compile(optimizer='SGD', loss = 'binary_crossentropy')

我可以批量创建一个dataset with

dataset = tf.data.Dataset.from_tensor_slices(data)
dataset = dataset.batch(10)
prediction_dataset = dataset.map(transform_predictions)

where transform_predictions是一个用户定义的函数，它从以下位置获取预测predict_on_batch

def transform_predictions(inputs, outputs):
    predictions = my_model.predict_on_batch(inputs)
    # predictions = do_transformations_here(predictions)
    return predictions

这给出了一个错误predict_on_batch:

AttributeError: 'Tensor' object has no attribute 'numpy'

据我所理解，predict_on_batch需要一个 numpy 数组，并且它正在从数据集中获取一个张量对象。

似乎一种可能的解决方案是包装predict_on_batch在`tf.py_function中，尽管我也无法让它工作。

有谁知道如何做到这一点？

Dataset.map() 返回<class 'tensorflow.python.framework.ops.Tensor'>它没有 numpy() 方法。

迭代数据集返回<class 'tensorflow.python.framework.ops.EagerTensor'>它有一个 numpy() 方法。

将急切的张量提供给 Predict() 系列方法效果很好。

你可以尝试这样的事情：

dataset = tf.data.Dataset.from_tensor_slices(data)
dataset = dataset.batch(10)

for x,y in dataset:
    predictions = my_model.predict_on_batch(x['x_input'])
    #or 
    predictions = my_model.predict_on_batch(x)