根本原因是tf.function对输入签名敏感，传入python原生数值或numpy标量（如double、np.float64）导致attributeerror；需统一转为tf.tensor，并避免闭包、可变默认参数及函数内调用.numpy()。
根本原因不是函数写错了，而是 tf.function 每次看到“新签名”就重新 trace —— 你传进去的输入类型、形状或结构稍有不同，它就当你是另一个函数，反复编译，最终报错或卡死。
tf.function 报 AttributeError: 'double' object has no attribute 'shape'
这个错误本质是传了 Python 原生数值（比如从 MATLAB 加载的 double）或 NumPy 标量（np.float64）给 @tf.function，而 TensorFlow 图模式只认 tf.Tensor。它试图调 .shape，结果发现那是个 Python float，根本没有这个属性。
- 检查所有输入：用
isinstance(x, tf.Tensor)或hasattr(x, 'shape')快速过滤非张量值 - 避免从
np.load()、scipy.io.loadmat()或 CSV 直接读取后直接传入 —— 先转成tf.constant(x)或tf.convert_to_tensor(x) - 特别注意默认参数：如果函数定义里写了
def f(x, y=0.5)，那个0.5是 Python float，不是 tensor；改成y=tf.constant(0.5)或挪到调用侧显式传
为什么加了 input_signature 还报错 “triggered tf.function retracing”
input_signature 不是“加了就稳”，它只约束你**主动传入**的参数。一旦你在函数内部偷偷用了外部变量（闭包捕获）、全局状态、或可变默认参数（比如 def f(x, cache={})），trace 就会失效，导致隐式 retracing。
- 把所有依赖项都作为显式参数传入，不要靠闭包读
self.config或模块级MODEL_DIR - 禁用可变默认参数：把
def f(x, tags={})改成def f(x, tags=None): tags = tags or {} - 检查是否误用
numpy()：在@tf.function内部调x.numpy()会强制退出图模式，触发 retracing；该操作必须移到函数外
tf.function 中 if/while 换行报 “expected an indented block”
这不是逻辑错误，是 AutoGraph 解析失败。TensorFlow 的 AutoGraph 在将 Python 控制流转成 TF op 前，要先做 AST 解析，而反斜杠 \ 换行会破坏语法树结构，导致解析器认为 if 后面没 body。
- 改用括号隐式换行：
if (x > 0 and y - 拆成多行布尔表达式时，确保每行以逻辑运算符结尾（
and/or），且缩进一致 - 实在复杂，把条件判断提前算好再传进来，比如
cond = tf.logical_and(x > 0, y ，然后 <code>if cond:
最易被忽略的一点：input_signature 里声明的 shape 是“最小兼容形状”，比如 [None, 224, 224, 3] 能接受 batch=1 和 batch=32，但如果你某次传了 [16, 224, 224, 3]，另一次传了 [16, 256, 256, 3]，这就已经是两个签名 —— 它不会自动 padding 或 resize，只会重新 trace。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
