TensorFlow 2中SGD对象无minimize属性报错求助

问题原因 #

你使用的是Keras 3开发版本，该版本对优化器API进行了重构，移除了旧版中直接提供的minimize方法，而TensorFlow官方文档中的示例代码是针对旧版tf.keras优化器编写的，因此会出现属性错误。

解决方案 #

有两种可行的修复方式：

方式1：手动结合GradientTape计算梯度并更新变量 #

这是Keras 3推荐的标准写法，手动控制梯度计算和更新流程：

import tensorflow as tf
import keras

print(tf.__version__)
print(keras.__version__)

# 创建SGD优化器
opt = keras.optimizers.SGD(learning_rate=0.1)
var1, var2 = tf.Variable(1.0), tf.Variable(2.0)

# 定义损失函数
def loss_fn():
    return 3 * var1 * var1 + 2 * var2 * var2

# 手动计算梯度并应用更新
with tf.GradientTape() as tape:
    current_loss = loss_fn()
# 计算损失对变量的梯度
grads = tape.gradient(current_loss, [var1, var2])
# 应用梯度更新变量
opt.apply_gradients(zip(grads, [var1, var2]))

# 验证结果
print(f"更新后var1: {var1.numpy()}, var2: {var2.numpy()}")

方式2：切换到tf.keras的优化器 #

如果你希望沿用原有的minimize写法，可以使用TensorFlow内置的tf.keras优化器（而非独立Keras包的优化器），它仍保留了旧API：

import tensorflow as tf
import keras as keras

print(tf.__version__)
print(keras.__version__)

# 使用tf.keras的SGD优化器
opt = tf.keras.optimizers.SGD(learning_rate=0.1)
var1, var2 = tf.Variable(1.0), tf.Variable(2.0)
loss = lambda: 3 * var1 * var1 + 2 * var2 * var2
# 调用minimize方法
opt.minimize(loss, var_list=[var1, var2])

# 验证结果
print(f"更新后var1: {var1.numpy()}, var2: {var2.numpy()}")

补充说明 #

Keras 3作为独立框架从TensorFlow中分离后，API设计更贴近原生PyTorch的风格，强调手动梯度控制。如果后续继续使用独立Keras，建议优先采用方式1的写法，以适配新版本的API规范。

内容的提问来源于stack exchange，提问作者JanDitzen