TensorFlow新版本使用Adam.minimize报错：无梯度提供给变量

你的核心问题是没有在GradientTape上下文内计算损失loss，导致tape无法记录梯度的计算路径，进而出现梯度为None的报错。同时你混淆了get_gradients和minimize的用法，下面是正确的实现方式：

错误原因分析 #

你当前的代码中，loss是在tf.GradientTape()上下文之外计算的，tape没有追踪到loss与参数w1/b1/w2/b2/w3/b3之间的依赖关系，所以get_gradients返回的梯度全是None，最终触发报错。另外，同时使用get_gradients和minimize的grad_loss参数是冗余且错误的用法。

正确实现方式 #

TensorFlow 2.x中替换老版本tf.train.AdamOptimizer.minimize有两种常用写法，都需要确保损失计算在GradientTape上下文内执行：

方式一：使用optimizer.minimize（更贴近老版本用法） #

optimizer = tf.optimizers.Adam(learning_rate=learning_rate)
params = [w1, b1, w2, b2, w3, b3]

# 必须在GradientTape上下文内计算loss，让tape记录梯度路径
with tf.GradientTape() as tape:
    # 替换成你实际的前向传播逻辑，计算模型预测值
    y_pred = # 示例：tf.matmul(x, w1) + b1 -> tf.nn.relu(...) -> tf.matmul(..., w2)+b2 -> ... -> 输出层
    # 替换成你实际的损失计算逻辑
    loss = # 示例：tf.keras.losses.sparse_categorical_crossentropy(y_true, y_pred)

# 调用minimize，传入tape、loss和需要更新的参数列表
optimizer.minimize(loss, var_list=params, tape=tape)

方式二：手动计算梯度并应用（更灵活） #

optimizer = tf.optimizers.Adam(learning_rate=learning_rate)
params = [w1, b1, w2, b2, w3, b3]

with tf.GradientTape() as tape:
    y_pred = # 你的前向传播代码
    loss = # 你的损失计算代码

# 手动计算loss相对于params的梯度
gradients = tape.gradient(loss, params)
# 将梯度与参数配对，应用更新
optimizer.apply_gradients(zip(gradients, params))

关于参数列表的说明 #

你需要传入全部6个参数（w1/b1/w2/b2/w3/b3），因为这三个全连接层的权重和偏置都是需要通过梯度下降更新的可训练变量，少传任何一个都会导致对应参数无法更新。

内容的提问来源于stack exchange，提问作者astroguy