TensorFlow 2.10构建梯度热力图模型遇conv2d_input占位符报错求助

尝试用以下代码构建梯度热力图模型：

import tensorflow as tf
import tensorflow.keras.layers as klayers
import tensorflow.keras.models as kmodels
import tensorflow.keras.backend as kbackend
tf.compat.v1.disable_eager_execution()

model = ...(omitted)

neuron_indexing = klayers.Input(
    shape=(2,),  # infer amount of output neurons
    dtype=np.int32,
    name="neuron_indexing",
)
analysis_inputs = [neuron_indexing]
    
inputs = model.inputs + analysis_inputs
outputlist = model.outputs + [neuron_indexing]
X, index = outputlist
model_output = tf.gather_nd(X, index)
tmpmodel = kmodels.Model(inputs=inputs, outputs=model_output)
    
analysis_outputs = kbackend.gradients(tmpmodel.outputs[0], model.inputs)
outputs = analysis_outputs
analyzer_model = kmodels.Model(inputs=inputs,outputs=outputs)

执行最后一行analyzer_model = kmodels.Model(inputs=inputs,outputs=outputs)时出现错误：

InvalidArgumentError: 2 root error(s) found.
  (0) INVALID_ARGUMENT: You must feed a value for placeholder tensor 'conv2d_input' with dtype float and shape [?,50,50,1]
     [[{{node conv2d_input}}]]
     [[gradients/zeros/Const/_265]]
  (1) INVALID_ARGUMENT: You must feed a value for placeholder tensor 'conv2d_input' with dtype float and shape [?,50,50,1]
     [[{{node conv2d_input}}]]
0 successful operations.
0 derived errors ignored.

TensorFlow版本为2.10.0，尝试过切换版本、使用tf.gradients和tf.GradientTape()，前者报错相同，后者出现其他错误，求问问题原因及解决方法。

1. Graph模式梯度计算依赖占位符输入：你禁用了Eager Execution，进入TensorFlow 1.x的Graph模式。该模式下构建梯度模型时，TensorFlow需要实际输入值追踪梯度依赖，但创建analyzer_model时未提供conv2d_input这类占位符的具体值，导致报错。
2. kbackend.gradients的局限性：TF2.x的Graph模式中，直接用kbackend.gradients构建模型输出无法自动处理占位符依赖，必须显式提供输入才能完成梯度图构建。
3. GradientTape使用不规范：之前用GradientTape出错，大概率是没遵循Eager模式规范——比如未在with tf.GradientTape()上下文内执行前向传播，或未正确关联模型输入输出。

方法一：使用TF2.x原生Eager模式（推荐） #

放弃禁用Eager Execution，改用tf.GradientTape构建梯度模型，这是TF2.x标准做法：

import tensorflow as tf
import tensorflow.keras.layers as klayers
import tensorflow.keras.models as kmodels

# 默认开启Eager Execution，无需禁用
model = ...(omitted)  # 你的原始模型

def build_analyzer_model(model):
    # 定义输入：原始模型输入 + 神经元索引输入
    original_input = model.input
    neuron_index = klayers.Input(shape=(2,), dtype=tf.int32, name="neuron_indexing")
    
    # 前向传播获取指定神经元输出
    with tf.GradientTape(persistent=True) as tape:
        tape.watch(original_input)
        model_output = model(original_input)
        # 根据索引提取目标神经元输出
        target_output = tf.gather_nd(model_output, neuron_index)
    
    # 计算梯度
    grads = tape.gradient(target_output, original_input)
    del tape  # 释放persistent tape资源
    
    # 构建分析模型
    return kmodels.Model(inputs=[original_input, neuron_index], outputs=grads)

# 创建分析模型
analyzer_model = build_analyzer_model(model)

使用时传入符合形状的输入即可：

# 示例输入：随机生成图像输入 + 神经元索引（[0,5]表示第0个样本的第5个神经元）
sample_input = tf.random.normal((1, 50, 50, 1))
sample_index = tf.constant([[0, 5]], dtype=tf.int32)
grad_result = analyzer_model([sample_input, sample_index])

方法二：Graph模式下修复（不推荐，仅兼容旧代码） #

若必须保留Graph模式，需为占位符提供虚拟输入来构建梯度模型：

import tensorflow as tf
import tensorflow.keras.layers as klayers
import tensorflow.keras.models as kmodels
import tensorflow.keras.backend as kbackend
import numpy as np

tf.compat.v1.disable_eager_execution()

model = ...(omitted)

neuron_indexing = klayers.Input(
    shape=(2,),
    dtype=np.int32,
    name="neuron_indexing",
)
analysis_inputs = [neuron_indexing]
    
inputs = model.inputs + analysis_inputs
outputlist = model.outputs + [neuron_indexing]
X, index = outputlist
model_output = tf.gather_nd(X, index)
tmpmodel = kmodels.Model(inputs=inputs, outputs=model_output)

# 为占位符创建匹配形状的虚拟输入
dummy_input = np.random.randn(1, 50, 50, 1).astype(np.float32)
dummy_index = np.array([[0, 0]], dtype=np.int32)

# 先运行一次前向传播填充占位符，触发计算图构建
with tf.compat.v1.Session() as sess:
    sess.run(tf.compat.v1.global_variables_initializer())
    sess.run(tmpmodel.output, feed_dict={model.inputs[0]: dummy_input, neuron_indexing: dummy_index})
    
    # 再构建梯度模型
    analysis_outputs = kbackend.gradients(tmpmodel.outputs[0], model.inputs)
    analyzer_model = kmodels.Model(inputs=inputs, outputs=analysis_outputs)

注意：该方法需手动维护占位符与虚拟输入的匹配，扩展性差，仅适合临时兼容旧代码。

内容的提问来源于stack exchange，提问作者Hal Chen