TensorFlow 2中使用GradientTape获取梯度时属性不存在报错咨询

1. GradientTape 用法错误 #

TF2 中 tf.GradientTape 是上下文管理器，不能直接传入损失和权重参数，正确流程是：

• 用 with tf.GradientTape() as tape: 包裹前向传播过程，让 tape 记录运算
• 在上下文内计算模型的损失值
• 调用 tape.gradient() 方法传入损失和可训练权重，得到梯度

2. 移除了 feed_inputs 等属性 #

TF2 中彻底移除了 TF1 里的 _feed_inputs、_feed_targets 这类私有属性，替代方案是：

• 用 model.inputs 获取模型的输入张量列表
• 目标张量（标签）、样本权重都是训练时外部传入的张量，无需从模型属性中获取，直接使用训练数据即可

修正后的完整示例代码 #

假设你使用标准 Keras 模型，以下是正确实现：

import tensorflow as tf

# 假设已定义好模型 model 和优化器 optimizer
# 准备训练用的输入、标签、样本权重（按需使用）
inputs = tf.random.normal([32, 10])  # 示例输入数据
targets = tf.random.normal([32, 2])   # 示例标签
sample_weights = tf.ones([32])        # 示例样本权重

with tf.GradientTape() as tape:
    # 前向传播计算预测结果（training=True 开启训练模式）
    predictions = model(inputs, training=True)
    # 计算总损失（复用模型编译时的损失函数）
    total_loss = model.compiled_loss(
        targets, predictions, sample_weight=sample_weights
    )

# 获取损失对可训练权重的梯度
grads = tape.gradient(total_loss, model.trainable_weights)

# 对应原需求的 symb_inputs，直接使用传入的张量
symb_inputs = (inputs, targets, sample_weights)

额外说明 #

• 如果不需要样本权重，可直接从 compiled_loss 参数中移除
• 也可以自定义损失计算，比如直接调用损失函数：total_loss = tf.keras.losses.MSE(targets, predictions)

内容的提问来源于stack exchange，提问作者Shashank Priyadarshi