TensorFlow的tf.*函数不支持自定义类实例，因其底层C++运行时仅接受可序列化为张量的输入；需先解构出tf.Tensor字段再处理，否则会报TypeError或ValueError。
TensorFlow 本身没有“内置函数”这个概念——它提供的是 tf.* 模块下的操作（ops），而这些操作只对 tf.Tensor、tf.Variable 或原生 Python 数值（如 int/float）有定义行为。当你传入自定义类实例（比如 MyData 类的对象），tf.add、tf.reduce_sum 等函数会直接报错或静默失败，不是“失效”，而是根本没被设计支持。
为什么 tf.* 函数不接受自定义对象？
tf.* 操作底层调用 C++ runtime，其输入必须能被序列化为张量（tensor）或标量。自定义类实例无法自动转换为 tf.Tensor，除非你显式实现转换逻辑。
- Python 层的
__add__、__mul__等魔术方法对tf.*函数完全无效 —— 它们只影响+、*这类运算符，不触发 TensorFlow 的图构建 -
tf.function装饰器在 trace 阶段会尝试把参数转成张量；遇到无法转换的类型（如dict、list、自定义类），会抛出TypeError: Cannot convert ... to a tensor - 即使绕过 trace（比如用
tf.py_function），也仅是把 Python 对象丢进黑盒执行，无法参与自动微分、图优化或 GPU 加速
常见错误现象和对应报错
以下几种写法都会失败：
-
tf.reduce_mean(my_custom_obj)→TypeError: Expected Tensor, got MyData instead -
@tf.function def f(x): return tf.square(x); f(my_custom_obj)→ValueError: Input 0 of node ... was passed float from ... incompatible with expected resource（类型混乱） - 把自定义对象塞进
tf.data.Dataset.from_tensor_slices()→TypeError: Element structure ... does not match dataset element structure
怎么让自定义对象参与 TensorFlow 计算？
核心原则：**先解构，再封装**。不要试图让 tf.* 直接理解你的类，而是提取出其中的 tf.Tensor 字段，交给 TF 处理，最后再包装回原结构。
- 确保你的类至少有一个明确的
.data或.tensor属性，且该属性是tf.Tensor（例如：self.data = tf.constant(...)） - 重载
__getattr__把常用 TF 操作代理到内部 tensor 上：def __getattr__(self, name): return getattr(self.data, name)（慎用，仅限简单场景） - 写一个显式转换函数：
def to_tensor(self) -> tf.Tensor: return self.data，并在调用tf.*前手动调用 - 若需批量处理，用
tf.data.Dataset时，用map提前把自定义对象映射为 tuple/dict of tensors
容易被忽略的兼容性细节
即使你把自定义对象转成了 tensor，还有几个隐性坑：
立即学习“Python免费学习笔记（深入）”；
-
tf.function默认只跟踪tf.Tensor和tf.Variable，如果自定义对象里含numpy.ndarray或list，trace 会失败或缓存错误版本 - GPU 设备上，tensor 必须是
tf.device('/GPU:0')下创建的；如果你的类在 CPU 上构造了 tensor，又传给 GPU 上的tf.function，会触发隐式拷贝甚至报错 -
tf.keras.Model的call方法里，输入必须是 tensor；不能靠“传进来的是什么就用什么”来假设类型安全
tf.function、分布式训练、SavedModel 导出等所有上下文中都保持一致行为”。别省那几行转换代码，老老实实拆开、处理、再组装。 
