Keras基于外部损失更新模型权重时梯度全为None的解决方法

我尝试基于外部代价函数完成模型训练，整体计算流程如下：

• 首先model_1接收声谱图（spectrograms）输入，基于输入生成包含4个值的输出向量
• Model_2为已完成训练的预训练模型，训练过程中冻结其权重不做更新，该模型接收model_1输出的4维向量完成预测，结合时间信号生成与model_1初始输入（原始声谱图）形状完全一致的输出
• 对比上述第二步生成的最终输出与model_1的原始输入（两组声谱图）计算损失值

得到损失值与model_1的预测结果后，我需要获取损失对model_1权重的梯度，以正确完成权重更新。为此我使用tf.GradientTape()实现：先获取model_1的预测结果，再计算原始声谱图与最终生成声谱图的损失。我推测当前问题的成因是最终声谱图的计算路径并非完全由model_1构成，导致无法按现有写法完成梯度回传，因此想要确认：是否可以仅通过预测结果、代表损失函数输出的标量值完成梯度计算？

我编写了如下用于获取梯度的训练函数，但返回的梯度列表元素全为None：

def train_modelo_inverso(self, epochs=40):
    for s in range(epochs):
      espectrogramas_predicts = self.get_espectrograms_from_amplitudes() # 第一次执行预测，获取生成的预测声谱图
      loss_modelo_inverso     = self.loss_fn(self.amplitudes, espectrogramas_predicts)

      # 构建tf计算图，用于计算参数对当前预测对应损失的偏导
      with tf.GradientTape() as tape:
        modelo_inverso_preds = self.modelo_inverso(self.amplitudes)                    # 基于预测结果更新参数
        # espectrogramas_predicts = self.get_espectrograms_from_amplitudes()
        loss_modelo_inverso  = self.loss_fn(self.amplitudes, espectrogramas_predicts)
      
      gradients = tape.gradient(loss_modelo_inverso, self.modelo_inverso.trainable_variables) 
      print(f"gradients {gradients} | len(self.modelo_inverso.trainable_variables) {len(self.modelo_inverso.trainable_variables)} | loss_modelo_inverso {loss_modelo_inverso}")# 基于预测结果计算梯度

运行上述函数的打印输出如下：

gradients [None, None, None, None, None, None] | len(self.modelo_inverso.trainable_variables) 6 | loss_modelo_inverso (9.79201461332436e-12-1.57796630234136e-10j)

我初步判断该现象的成因为：计算损失函数时并未使用model_1输出的预测张量，换言之损失计算路径未接入model_1的计算图，因此无法对model_1的参数求导。

内容的提问来源于stack exchange，提问作者CYD