使用TensorFlow求导时遇AttributeError错误的解决方法咨询

问题根源 #

你的代码里第一行x = dde.config.real.set_float64()是核心错误：

• dde.config.real.set_float64()是用于全局设置数据类型的函数，它没有有效返回值（实际返回None），这导致你把原本作为输入的张量x覆盖成了None。
• 后续调用tf.gradients(u, x)时，x是None，TensorFlow无法识别这个无效的求导自变量，因此抛出AttributeError: 'NoneType' object has no attribute 'op'。

修复步骤 #

1. 迁移数据类型配置 #

将dde.config.real.set_float64()移到脚本开头（所有函数定义之前），只需执行一次即可完成全局数据类型设置：

import deepxde as dde
import tensorflow as tf

# 全局设置张量为float64类型，放在函数外执行
dde.config.real.set_float64()

2. 修正PDE函数的输入变量 #

移除PDE函数内覆盖x的代码，保留原始输入参数：

def pde(x, y):
    u, k = y[:, 0:1], y[:, 1:2]
    # 求u对x的一阶导数
    du_x = tf.gradients(u, x)[0]
    du_x, du_y = du_x[:, 0:1], du_x[:, 1:2]
    # 求二阶导数
    du_xx = tf.gradients(du_x, x)[0][:, 0:1]
    du_yy = tf.gradients(du_y, x)[0][:, 1:2]
    return k * du_xx + k * du_yy

可选：改用TensorFlow 2.x的GradientTape写法 #

如果使用TensorFlow 2.x环境（DeepXDE默认兼容），推荐用tf.GradientTape实现求导，代码可读性更强，也更符合TF2的设计风格：

def pde(x, y):
    u, k = y[:, 0:1], y[:, 1:2]
    # 持久化tape支持多次求导
    with tf.GradientTape(persistent=True) as tape:
        tape.watch(x)
        # 嵌套tape计算一阶导数
        with tf.GradientTape() as inner_tape:
            inner_tape.watch(x)
            u_val = u
        du = inner_tape.gradient(u_val, x)
        du_x, du_y = du[:, 0:1], du[:, 1:2]
    # 计算二阶导数
    du_xx = tape.gradient(du_x, x)[:, 0:1]
    du_yy = tape.gradient(du_y, x)[:, 1:2]
    # 释放持久化tape避免内存泄漏
    del tape
    return k * du_xx + k * du_yy

内容的提问来源于stack exchange，提问作者novice