TypeError: len no está bien definido para los tensores simbólicos. (activación_3 / Identidad: 0) Llame a `x.shape` en lugar de a` len (x) `para obtener información sobre la forma

Estoy tratando de implementar un modelo DQL en un juego de gimnasio openAI. Pero me está dando el siguiente error.

TypeError: len no está bien definido para los tensores simbólicos. (activación_3 / Identidad: 0) Llame en x.shapelugar de len(x) para obtener información sobre la forma.

Crear un ambiente de gimnasio:

ENV_NAME = 'CartPole-v0'

env = gym.make(ENV_NAME)
np.random.seed(123)
env.seed(123)
nb_actions = env.action_space.n

Mi modelo se ve así:

model = Sequential()
model.add(Flatten(input_shape=(1,) + env.observation_space.shape))
model.add(Dense(16))
model.add(Activation('relu'))
model.add(Dense(nb_actions))
model.add(Activation('linear'))
print(model.summary())

Ajuste de ese modelo al modelo DQN de keral-rl de la siguiente manera:

policy = EpsGreedyQPolicy()
memory = SequentialMemory(limit=50000, window_length=1)
dqn = DQNAgent(model=model, nb_actions=nb_actions, memory=memory, nb_steps_warmup=10, target_model_update=0.001, policy=policy)
dqn.compile(Adam(lr=1e-3), metrics=['mse', 'mae'])
dqn.fit(env, nb_steps=5000, visualize=False, verbose=3)

El error es de esta línea:

dqn = DQNAgent(model=model, nb_actions=nb_actions, memory=memory, nb_steps_warmup=10, target_model_update=0.001, policy=policy)

Estoy usando keras-rl == 0.4.2 y tensorflow == 2.1.0. Basado en otras respuestas, también probé tensorflow == 2.0.0-beta0 pero no resuelve el error.

¿Alguien puede explicarme por qué me enfrento a este error? ¿Y como resolverlo?

Gracias.

La razón por la que esto se rompe es porque tf.TensorTF 2.0.0 (y TF 1.15) tiene la __len__sobrecarga y genera una excepción . Pero TF 1.14, por ejemplo, no tiene el __len__atributo.

Por lo tanto, cualquier cosa TF 1.15+ (inclusive) se rompe keras-rl(específicamente aquí ), lo que le da el error anterior. Entonces tienes dos opciones,

• Bajar a TF 1.14 (recomendado)
• Elimine la __len__sobrecarga en la fuente TensorFlow ( no se recomienda ya que esto puede romper otras cosas)