Q: tf.signal.kaiser_bessel_derived_window가 window_length보다 적은 샘플을 반환하는 이유는 무엇인가요?

이는 알려진 버그입니다: 홀수 `window_length` 값의 경우, 구현에서 각각 `window_length // 2` 개의 샘플로 구성된 두 개의 절반을 만들기 때문에 출력에는 `window_length - 1` 개의 샘플이 포함됩니다(예: `window_length=5`는 shape `(4,)`를 반환하고, `window_length=1`은 빈 텐서를 반환합니다). 해결 방법: Kaiser-Bessel Derived (KBD) 윈도우는 수학적으로 짝수 길이에 대해서만 정의되므로 짝수 윈도우 길이만 전달하세요. 윈도우를 신호 프레임과 짝지을 때 다운스트림 shape 불일치를 방지하려면, 호출하기 전에 홀수 길이를 가장 가까운 짝수로 반올림하세요(예: `n += n % 2`).

Q: tf.function 내부에서 window_length=1일 때 tf.signal.kaiser_window가 [nan]을 반환하는 이유는 무엇인가요?

이는 알려진 TensorFlow 버그입니다(tensorflow/tensorflow#129234, tf-nightly 2.23.0-dev에서 확인됨). `kaiser_window`는 길이가 정적 Python 상수일 때만 길이 1을 특수 케이스로 처리합니다. `window_length`가 동적 텐서인 경우(예: `tf.function` 인수), 내부 `halflen_float`가 0이 되고, `arg / halflen_float` 표현식이 `0/0`으로 평가되어, 결과가 `[1.]` 대신 `[nan]`이 됩니다. 우회 방법: `tf.cond`를 사용해 길이 1 케이스를 직접 가드하세요. 예: `tf.cond(tf.equal(n, 1), lambda: tf.ones([1], dtype=tf.float32), lambda: tf.signal.kaiser_window(n, beta=beta))`. 또는 eager 모드와 `np.kaiser(1, beta)`가 모두 `[1.]`을 올바르게 반환하므로, n=1인 경우 eager 모드에서 윈도우를 계산할 수도 있습니다. `hann_window`와 `hamming_window`는 이미 `window_length == 1`에 대한 내부 `cond`를 통해 이 케이스를 올바르게 처리하므로, 수정 사항이 반영될 때까지 참조 동작으로 사용할 수 있습니다.

Question 1

float16 입력으로 tf.image.non_max_suppression을 사용할 때 발생하는 XLA 컴파일 오류 'Seen floating point types of different precisions, mixed precision is disallowed'를 수정하는 방법은 무엇입니까?

Accepted Answer

이것은 TensorFlow 버그입니다: `tf.image.non_max_suppression`는 `iou_threshold`/`score_threshold`를 Python float(float32)로 전달하므로, float16 `boxes`/`scores`와 함께 사용하면 op가 `T=float16, T_threshold=float32`로 실행되며, 이는 `tf.function(jit_compile=True)` 하에서 XLA가 컴파일 시점에 거부합니다.

**우회 방법:** `tf.raw_ops.NonMaxSuppressionV3`를 직접 호출하고 threshold를 float16으로 캐스팅하여 `T == T_threshold`가 되도록 하세요:

```python
def nms_f16(boxes, scores):
    return tf.raw_ops.NonMaxSuppressionV3(
        boxes=boxes, scores=scores, max_output_size=2,
        iou_threshold=tf.constant(0.3, tf.float16),
        score_threshold=tf.constant(float('-inf'), tf.float16))

tf.function(nms_f16, jit_compile=True)(boxes, scores)  # compiles, returns [0 1]
```

**대안:**
- `tf.image.non_max_suppression`를 호출하기 전에 `boxes`/`scores`를 `float32`로 캐스팅한 다음, 필요한 경우 결과를 다시 캐스팅하세요.
- eager 모드는 혼합된 dtype을 올바르게 처리하므로, (`jit_compile=True` 없이) op를 eager로 실행하세요.

tf-nightly 2.23.0-dev(CPU, 디바이스 독립적)에서 확인되었습니다. 업스트림 수정 사항은 tensorflow/tensorflow#128614에서 추적하세요.

Question 2

왜 tf.subtract(5, float_tensor)는 eager 모드에서는 작동하지만 tf.function이나 XLA 내부에서는 'TypeError: type float32 does not match type int32' 오류가 발생하며 실패하나요?

Accepted Answer

알려진 TensorFlow 버그 (nightly 2.22.0-dev, issue #127911): PR #125387에서 tf.multiply/tf.pow/tf.divide에 Python 스칼라 dtype 강제 변환(coercion)을 추가했지만 tf.subtract는 누락되었습니다. 이로 인해 eager 모드에서는 Python int를 텐서의 float32 dtype으로 강제 변환하는 반면, 그래프 모드와 XLA (jit_compile=True)에서는 int32로 변환하여 Sub(int32, float32) 불일치가 발생합니다. 수정이 적용될 때까지의 해결 방법: 모든 실행 모드가 일치하도록 스칼라를 명시적으로 변환하세요 — `tf.subtract(tf.cast(5, t.dtype), t)` 또는 `tf.subtract(tf.constant(5, dtype=t.dtype), t)`. tf.function 내부에서 tf.subtract에 순수 Python 스칼라를 전달하지 마세요. 커스텀 빌드의 경우, multiply()에서 사용된 것과 동일한 강제 변환을 subtract()에 추가하여 tensorflow/python/ops/math_ops.py를 패치하세요: `if not tensor_util.is_tf_type(x) and tensor_util.is_tf_type(y): x = ops.convert_to_tensor(x, dtype=y.dtype.base_dtype, name='x')`.

Question 3

TensorFlow에서 'Protobuf gencode version 5.28.3 is exactly one major version older than the runtime version' 경고를 해결하는 방법은?

Accepted Answer

이 경고는 TensorFlow 2.20이 protobuf gencode 5.28.3으로 컴파일되었지만, pip이 더 최신 버전인 protobuf 런타임 6.x(예: 6.31.1)를 설치했기 때문에 나타납니다. gencode 메이저 버전과 일치하도록 protobuf Python 패키지를 다운그레이드하여 해결하세요:

```
pip install "protobuf<6.0"
```

또는 정확한 버전을 고정하세요:

```
pip install protobuf==5.28.3
```

Pipenv/Pipfile을 사용하는 경우, protobuf는 TensorFlow의 전이적 의존성으로 설치되므로 Pipfile에 `protobuf = "<6.0"`을 명시적으로 추가하고 `pipenv install`을 실행하세요. 또는 다운그레이드하지 않고 경고를 없애려면 코드에서 경고를 억제하세요:

```
import warnings
warnings.filterwarnings("ignore", message="Protobuf gencode version")
```

gencode/런타임 불일치는 향후 런타임 릴리스에서 호환성 위반을 일으킬 수 있으므로 다운그레이드가 권장되는 해결 방법입니다.

Question 4

tf.signal.kaiser_bessel_derived_window가 window_length보다 적은 샘플을 반환하는 이유는 무엇인가요?

Accepted Answer

이는 알려진 버그입니다: 홀수 `window_length` 값의 경우, 구현에서 각각 `window_length // 2` 개의 샘플로 구성된 두 개의 절반을 만들기 때문에 출력에는 `window_length - 1` 개의 샘플이 포함됩니다(예: `window_length=5`는 shape `(4,)`를 반환하고, `window_length=1`은 빈 텐서를 반환합니다). 해결 방법: Kaiser-Bessel Derived (KBD) 윈도우는 수학적으로 짝수 길이에 대해서만 정의되므로 짝수 윈도우 길이만 전달하세요. 윈도우를 신호 프레임과 짝지을 때 다운스트림 shape 불일치를 방지하려면, 호출하기 전에 홀수 길이를 가장 가까운 짝수로 반올림하세요(예: `n += n % 2`).

Question 5

tf.function 내부에서 window_length=1일 때 tf.signal.kaiser_window가 [nan]을 반환하는 이유는 무엇인가요?

Accepted Answer

이는 알려진 TensorFlow 버그입니다(tensorflow/tensorflow#129234, tf-nightly 2.23.0-dev에서 확인됨). `kaiser_window`는 길이가 정적 Python 상수일 때만 길이 1을 특수 케이스로 처리합니다. `window_length`가 동적 텐서인 경우(예: `tf.function` 인수), 내부 `halflen_float`가 0이 되고, `arg / halflen_float` 표현식이 `0/0`으로 평가되어, 결과가 `[1.]` 대신 `[nan]`이 됩니다. 우회 방법: `tf.cond`를 사용해 길이 1 케이스를 직접 가드하세요. 예: `tf.cond(tf.equal(n, 1), lambda: tf.ones([1], dtype=tf.float32), lambda: tf.signal.kaiser_window(n, beta=beta))`. 또는 eager 모드와 `np.kaiser(1, beta)`가 모두 `[1.]`을 올바르게 반환하므로, n=1인 경우 eager 모드에서 윈도우를 계산할 수도 있습니다. `hann_window`와 `hamming_window`는 이미 `window_length == 1`에 대한 내부 `cond`를 통해 이 케이스를 올바르게 처리하므로, 수정 사항이 반영될 때까지 참조 동작으로 사용할 수 있습니다.

tensorflow

개요

README 미리보기

FAQ (5)

同类型项目

superpowers

everything-claude-code

flutter

transformers