TensorFlow 1.14中tf.gradients结果转Tensor报错求助

首先咱们得揪出报错的核心原因：你看到的Failed to convert object of type to Tensor. Contents: [None]，本质是tf.gradients(op[:,0], x)返回了**[None]**——这说明张量op[:,0]和x之间完全没有计算依赖关系！TensorFlow没法计算一个和自变量毫无关联的张量的梯度，自然就返回了None，你拿着包含None的列表去转张量，不报错才怪。

问题出在哪？ #

看你的代码，op是个独立的占位符，和x、y没有任何运算关联。也就是说op的值不是由x或y计算出来的，对x/y求导的结果必然是None，这是梯度计算的正常逻辑，不是TensorFlow的bug。

怎么解决？ #

你得让op成为x和y的计算产物，这样TensorFlow才能追踪它们的依赖链，算出有效的梯度。比如咱们把op改成基于x、y的运算，比如简单的线性组合：

import tensorflow as tf
import numpy as np

def testtf4(): 
    x = tf.placeholder(tf.float32, shape=[None]) 
    y = tf.placeholder(tf.float32, shape=[None]) 
    # 修改op：让它由x和y计算得到，这里构造一个3列的张量，第一列是x+y
    op_col0 = x + y
    op_col1 = x * 2
    op_col2 = y * 3
    op = tf.stack([op_col0, op_col1, op_col2], axis=1)
    
    print("\nshape of x,y", x.shape, y.shape) 
    arr = np.genfromtxt("C:\\Data\\Training_and_codes\\ML\\TF Samples\\Data.csv", delimiter=","); 
    
    # 现在op[:,0]和x、y有依赖，梯度不再是None
    # 注意：tf.gradients返回的是长度为1的列表，要取出里面的张量
    gradmulx_op = tf.gradients(op[:,0], x)[0]  
    gradmuly_op = tf.gradients(op[:,0], y)[0] 
    
    # 这里其实gradmulx_op已经是张量了，转不转都可以
    tgradmulx_op = tf.convert_to_tensor(gradmulx_op) 
    tgradmuly_op = tf.convert_to_tensor(gradmuly_op) 
    
    print("\nshape of gradmul tensors", tgradmulx_op.shape, tgradmuly_op.shape) 
    with tf.Session() as sess: 
        print("started session......\n") 
        input_feed = {
            x: arr[:,0],
            y: arr[:,1]
        }
        # 现在不需要喂op了，因为op是由x和y计算出来的
        gradx, grady = sess.run([tgradmulx_op, tgradmuly_op], feed_dict=input_feed) 
        print("x gradient", gradx) 
        print("y gradient", grady)

额外提醒 #

• tf.gradients的返回值永远是列表，哪怕只对一个自变量求导，它也会返回长度为1的列表。所以正确做法是用[0]取出里面的张量，而不是直接把整个列表传给tf.convert_to_tensor。
• 如果你的业务逻辑里op必须是占位符（比如是外部输入的），那对x/y求导本来就没有意义——它们之间没有依赖关系，这时候你得重新审视模型设计，确认是否真的需要计算这个梯度。

内容的提问来源于stack exchange，提问作者ash