TypeError: una operación fuera del código de construcción de funciones pasa un tensor Graph

Recibo la siguiente excepción

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

que también plantea la siguiente excepción

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>]

cuando se ejecuta el siguiente 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()

El problema aparentemente está relacionado con la capa tfp.layers.Convolution2DFlipout. ¿Por qué exactamente recibo estas excepciones? ¿Se debe a un error lógico en mi código o es posiblemente un error en TensorFlow o TensorFlow Probability? ¿Qué significan estos errores? ¿Cómo puedo resolverlos?

Estoy usando TensorFlow 2.0.0 (que se ejecuta ansiosamente, por defecto). y TensorFlow Probability 0.8.0 y Python 3.7.4. También he abierto el problema relacionado aquí y aquí .

Por favor, no me sugiera que use TensorFlow 1, para ejecutar perezosamente mi código (es decir, usar tf.compat.v1.disable_eager_execution()después de haber importado TensorFlow, dado que sé que esto hará que el código anterior se ejecute sin obtener la excepción mencionada) o para crear sesiones explícitamente o marcadores de posición.

Este problema puede resolverse parcialmente configurando el argumento experimental_run_tf_functiondel compilemétodo en False, como había escrito en un comentario al problema de Github que había abierto .

Sin embargo, si se establece experimental_run_tf_functiona Falsee intenta utilizar el predictmétodo, obtendrá otro error. Ver este número de Github .