在我的Tensorflow神经网络开始训练之前，会打印出以下警告：

警告：tensorflow：Layer my_model正在将输入张量从dtype
float64转换为float32层的dtype，这在TensorFlow 2中是新行为。该层具有dtype
float32，因为其dtype默认为floatx。如果打算在float32中运行此层，则可以安全地忽略此警告。

如有疑问，仅当将TensorFlow 1.X模型移植到TensorFlow 2时，此警告才可能是一个问题。要更改所有层以使其默认具有dtype
float64，请调用tf.keras.backend.set_floatx('float64')。

要仅更改此层，请将dtype =’float64’传递给该层构造函数。如果您是该层的作者，则可以通过将autocast =
False传递给基本Layer构造函数来禁用自动广播。

现在，基于错误消息， 我可以 通过将后端设置为
来使此错误消息静音'float64'。但是，我想深入了解并dtypes手动设置正确的位置。

完整代码：

import tensorflow as tf
from tensorflow.keras.layers import Dense, Concatenate
from tensorflow.keras import Model
from sklearn.datasets import load_iris
iris, target = load_iris(return_X_y=True)

X = iris[:, :3]
y = iris[:, 3]

ds = tf.data.Dataset.from_tensor_slices((X, y)).shuffle(25).batch(8)

class MyModel(Model):
  def __init__(self):
    super(MyModel, self).__init__()
    self.d0 = Dense(16, activation='relu')
    self.d1 = Dense(32, activation='relu')
    self.d2 = Dense(1, activation='linear')

  def call(self, x):
    x = self.d0(x)
    x = self.d1(x)
    x = self.d2(x)
    return x

model = MyModel()

loss_object = tf.keras.losses.MeanSquaredError()

optimizer = tf.keras.optimizers.Adam(learning_rate=5e-4)

loss = tf.keras.metrics.Mean(name='loss')
error = tf.keras.metrics.MeanSquaredError()

@tf.function
def train_step(inputs, targets):
    with tf.GradientTape() as tape:
        predictions = model(inputs)
        run_loss = loss_object(targets, predictions)
    gradients = tape.gradient(run_loss, model.trainable_variables)
    optimizer.apply_gradients(zip(gradients, model.trainable_variables))
    loss(run_loss)
    error(predictions, targets)

for epoch in range(10):
  for data, labels in ds:
    train_step(data, labels)

  template = 'Epoch {:>2}, Loss: {:>7.4f}, MSE: {:>6.2f}'
  print(template.format(epoch+1,
                        loss.result(),
                        error.result()*100))
  # Reset the metrics for the next epoch
  loss.reset_states()
  error.reset_states()