为何Flux.withgradient需将模型推理置于do-end块内才能更新参数？

• Flux的withgradient核心逻辑是只追踪do-end块内部的运算过程，以此构建计算图并计算模型参数的梯度。
• 你把qEval = modelDQN.evalModel(evalInput)移到块外后，这一步前向传播没被梯度追踪机制记录。后续在块内计算损失时，损失值和模型参数之间的依赖链路已经断了，withgradient找不到损失对参数的关联，自然算不出有效梯度，参数也就没法更新。
• 放到块内时，从模型推理到损失计算的完整流程都被纳入追踪范围，梯度能正确关联到模型参数，更新操作自然正常生效。

补充个和你熟悉的TensorFlow对比：TF的GradientTape也是类似的追踪逻辑，但TF默认的追踪范围可能更灵活，而Flux的withgradient是严格限定块内运算，这是Julia生态强调显式、高效的设计特点，避免不必要的计算开销。

内容的提问来源于stack exchange，提问作者PokeLu