KerasとTensorflowのバージョンを変更するとエラーが発生する

mnistから画像をダウンロードして学習データとして使用し、数値の画像を作成するGANのプログラムについての質問です。
コードはGoogle Colaboratory上で実行しており、Google Colaboratory上の環境は以下です。
・CUDA：Ver10.1.243
・cudnn：7.6.5
・tensorflow-2.2.0rc3
・Keras:2.3.1
・ハードウェアアクセラレータ：GPU

実行したコードは以下です。

Python
1### -*-coding:utf-8-*-
2from __future__ import print_function, division
3
4from keras.datasets import mnist
5from keras.layers import Input, Dense, Reshape, Flatten, Dropout
6from keras.layers import BatchNormalization, Activation, ZeroPadding2D
7from keras.layers.advanced_activations import LeakyReLU
8from keras.layers.convolutional import UpSampling2D, Conv2D
9from keras.models import Sequential, Model
10from keras.optimizers import Adam
11
12import matplotlib.pyplot as plt
13import sys
14import numpy as np
15
16# GANで使う処理をまとめたデータクラス
17class GAN():
18    # コンストラクタ
19    def __init__(self):
20        #mnistデータ用の入力データサイズ
21        self.img_rows = 28 
22        self.img_cols = 28
23        self.channels = 1
24        self.img_shape = (self.img_rows, self.img_cols, self.channels)
25
26        # 潜在変数の次元数 
27        self.z_dim = 100
28        optimizer = Adam(0.0002, 0.5)
29
30        # discriminatorモデル
31        self.discriminator = self.build_discriminator()
32        self.discriminator.compile(loss='binary_crossentropy', 
33            optimizer=optimizer,
34            metrics=['accuracy'])
35
36        # Generatorモデル
37        self.generator = self.build_generator()
38        self.combined = self.build_combined1()
39        self.combined.compile(loss='binary_crossentropy', optimizer=optimizer)
40
41    def build_generator(self):
42        noise_shape = (self.z_dim,)
43        model = Sequential()
44
45        model.add(Dense(256, input_shape=noise_shape))
46        model.add(LeakyReLU(alpha=0.2))
47        model.add(BatchNormalization(momentum=0.8))
48        model.add(Dense(512))
49        model.add(LeakyReLU(alpha=0.2))
50        model.add(BatchNormalization(momentum=0.8))
51        model.add(Dense(1024))
52        model.add(LeakyReLU(alpha=0.2))
53        model.add(BatchNormalization(momentum=0.8))
54        # Discriminatorへの入力になるため、Discriminatorの入力に次元数を合わせる
55        model.add(Dense(np.prod(self.img_shape), activation='tanh'))
56        model.add(Reshape(self.img_shape))
57        model.summary()
58
59        return model
60
61    def build_discriminator(self):
62        img_shape = (self.img_rows, self.img_cols, self.channels)
63        model = Sequential()
64
65        model.add(Flatten(input_shape=img_shape))
66        model.add(Dense(512))
67        model.add(LeakyReLU(alpha=0.2))
68        model.add(Dense(256))
69        model.add(LeakyReLU(alpha=0.2))
70        model.add(Dense(1, activation='sigmoid'))
71        model.summary()
72
73        return model
74    
75    def build_combined1(self):
76        self.discriminator.trainable = False
77        model = Sequential([self.generator, self.discriminator])
78        return model
79
80    def train(self, epochs, batch_size=128, save_interval=50):
81
82        # nb_samples, 28, 28)の白黒画像
83        # nb_samples：trainなら60000画像
84        (X_train, _), (_, _) = mnist.load_data()
85
86        # normalize
87        X_train = (X_train.astype(np.float32) - 127.5) / 127.5
88        X_train = np.expand_dims(X_train, axis=3)
89
90        half_batch = int(batch_size / 2)
91
92        # 画像枚数 / バッチサイズ で、バッチ数を取得
93        num_batches = int(X_train.shape[0] / half_batch)
94        print('Number of batches:', num_batches)
95        
96        for epoch in range(epochs):
97            for iteration in range(num_batches):
98
99                # ---------------------
100                #  Discriminator learning
101                # ---------------------
102
103                # pickup images (half-batch size) from generator 
104                noise = np.random.normal(0, 1, (half_batch, self.z_dim))
105                gen_imgs = self.generator.predict(noise)
106
107                # pickup images (half-batch size) from dataset
108                # 学習用データから、0～60000の乱数を、half_batch数分取得
109                idx = np.random.randint(0, X_train.shape[0], half_batch)
110                # バッチ数分の画像データを取得
111                imgs = X_train[idx]
112
113                # learn discriminator
114                # learning discriminator with real-data and fake-data seperately
115                # リアルデータなら1
116                # Generatorからのデータなら0
117                d_loss_real = self.discriminator.train_on_batch(imgs, np.ones((half_batch, 1)))
118                d_loss_fake = self.discriminator.train_on_batch(gen_imgs, np.zeros((half_batch, 1)))
119                # average each loss
120                d_loss = 0.5 * np.add(d_loss_real, d_loss_fake)
121
122                # ---------------------
123                #  Generator learning
124                # ---------------------
125
126                noise = np.random.normal(0, 1, (batch_size, self.z_dim))
127
128                # make label (gen data: 1) 
129                valid_y = np.array([1] * batch_size)
130
131                # Train the generator
132                g_loss = self.combined.train_on_batch(noise, valid_y)
133
134                # progress
135                print ("epoch:%d, iter:%d,  [D loss: %f, acc.: %.2f%%] [G loss: %f]" % (epoch, iteration, d_loss[0], 100*d_loss[1], g_loss))
136
137            # save images 
138            if epoch % save_interval == 0:
139                self.save_imgs(epoch)
140
141    def save_imgs(self, epoch):
142        # row,col
143        r, c = 5, 5
144
145        noise = np.random.normal(0, 1, (r * c, self.z_dim))
146        gen_imgs = self.generator.predict(noise)
147
148        # rescale [-1, 1] to [0, 1]
149        gen_imgs = 0.5 * gen_imgs + 0.5
150
151        fig, axs = plt.subplots(r, c)
152        cnt = 0
153
154        # 1画像ずつ、subplot用の枠に入れていく
155        for i in range(r):
156            for j in range(c):
157                axs[i,j].imshow(gen_imgs[cnt, :,:,0], cmap='gray')
158                axs[i,j].axis('off')
159                cnt += 1
160        fig.savefig("images/mnist_%d.png" % epoch)
161        plt.close()
162
163
164if __name__ == '__main__':
165    gan = GAN()
166    gan.train(epochs=30000, batch_size=32, save_interval=1)

上記のコードを実行すると、d_loss_real = self.discriminator.train_on_batch(imgs, np.ones((half_batch, 1)))の
当たりで、下記のエラーが発生します。

FailedPreconditionError: Error while reading resource variable _AnonymousVar37 from Container: localhost. This could mean that the variable was uninitialized. Not found: Resource localhost/_AnonymousVar37/N10tensorflow3VarE does not exist.
[[node mul_21/ReadVariableOp (defined at /usr/local/lib/python3.6/dist-packages/keras/backend/tensorflow_backend.py:3009) ]] [Op:__inference_keras_scratch_graph_1851]

上記コードは、Kerasのバージョンが2.1.3、Tensorflowがtensorflow-gpu 1.14.0のときはエラーなく動いていたのですが、
バージョン変更するとエラーが発生して途中で止まってしまいます。※1
エラーの原因、改善方法等分かる方がおられましたら宜しくお願い致します。

※前回質問時からの変更点。
・調査して分かったことがあったため、タイトルを「Google Colaboratory上でGANを実行するとFailedPreconditionErrorが発生する」から
「KerasとTensorflowのバージョンを変更するとエラーが発生する」に変更しました。
・KerasとTensorflowのバージョンによってエラー発生有無が変わることが分かったため、※1部分の説明を修正しました。