TypeError: Um op fora do código de criação de função está sendo passado para um tensor de gráfico

Estou recebendo a seguinte exceção

TypeError: An op outside of the function building code is being passed
a "Graph" tensor. It is possible to have Graph tensors
leak out of the function building context by including a
tf.init_scope in your function building code.
For example, the following function will fail:
  @tf.function
  def has_init_scope():
    my_constant = tf.constant(1.)
    with tf.init_scope():
      added = my_constant * 2
The graph tensor has name: conv2d_flipout/divergence_kernel:0

o que também gera a seguinte exceção

tensorflow.python.eager.core._SymbolicException: Inputs to eager execution function cannot be Keras symbolic tensors, but found [<tf.Tensor 'conv2d_flipout/divergence_kernel:0' shape=() dtype=float32>]

ao executar o seguinte código

from __future__ import print_function

import tensorflow as tf
import tensorflow_probability as tfp


def get_bayesian_model(input_shape=None, num_classes=10):
    model = tf.keras.Sequential()
    model.add(tf.keras.layers.Input(shape=input_shape))
    model.add(tfp.layers.Convolution2DFlipout(6, kernel_size=5, padding="SAME", activation=tf.nn.relu))
    model.add(tf.keras.layers.Flatten())
    model.add(tfp.layers.DenseFlipout(84, activation=tf.nn.relu))
    model.add(tfp.layers.DenseFlipout(num_classes))
    return model

def get_mnist_data(normalize=True):
    img_rows, img_cols = 28, 28
    (x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()

    if tf.keras.backend.image_data_format() == 'channels_first':
        x_train = x_train.reshape(x_train.shape[0], 1, img_rows, img_cols)
        x_test = x_test.reshape(x_test.shape[0], 1, img_rows, img_cols)
        input_shape = (1, img_rows, img_cols)
    else:
        x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1)
        x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1)
        input_shape = (img_rows, img_cols, 1)

    x_train = x_train.astype('float32')
    x_test = x_test.astype('float32')

    if normalize:
        x_train /= 255
        x_test /= 255

    return x_train, y_train, x_test, y_test, input_shape


def train():
    # Hyper-parameters.
    batch_size = 128
    num_classes = 10
    epochs = 1

    # Get the training data.
    x_train, y_train, x_test, y_test, input_shape = get_mnist_data()

    # Get the model.
    model = get_bayesian_model(input_shape=input_shape, num_classes=num_classes)

    # Prepare the model for training.
    model.compile(optimizer=tf.keras.optimizers.Adam(), loss="sparse_categorical_crossentropy",
                  metrics=['accuracy'])

    # Train the model.
    model.fit(x_train, y_train, batch_size=batch_size, epochs=epochs, verbose=1)
    model.evaluate(x_test, y_test, verbose=0)


if __name__ == "__main__":
    train()

O problema aparentemente está relacionado à camada tfp.layers.Convolution2DFlipout . Por que exatamente estou recebendo essas exceções? Isso ocorre devido a um erro lógico no meu código ou é possivelmente um erro no TensorFlow ou no TensorFlow Probability? O que esses erros significam? Como posso resolvê-los?

Estou usando o TensorFlow 2.0.0 (que é executado com entusiasmo, por padrão). e Probabilidade de TensorFlow 0.8.0 e Python 3.7.4. Também abri a questão relacionada aqui e aqui .

Por favor, não me sugira usar o TensorFlow 1, para executar preguiçosamente meu código (ou seja, usar tf.compat.v1.disable_eager_execution()depois de importar o TensorFlow, pois sei que isso fará o código acima ser executado sem a exceção mencionada) ou para criar sessões explicitamente ou espaços reservados.

Esse problema pode ser parcialmente resolvido definindo o argumento experimental_run_tf_functiondo compilemétodo Falsecomo, como eu havia escrito em um comentário para o problema do Github que eu abri .

No entanto, se você definir experimental_run_tf_functiona Falsee você tentar usar o predictmétodo, você receberá outro erro. Veja esta edição do Github .