如何抑制TensorFlow 2.x冻结预训练层时触发的无梯度警告

方案1：使用Keras原生冻结机制（推荐） #

你当前的冻结需求可以直接通过Keras官方的trainable属性实现，不需要手动添加tf.stop_gradient，既可以达到完全冻结预训练层的效果，也不会触发梯度不存在的警告。
修改后的代码示例：

head =  load_my_cool_pretrained_representation_model()
# 冻结整个预训练头部的所有参数
head.trainable = False
x = tf.keras.layers.Dense(10000)(head.output)
x = tf.keras.layers.Dense(1)(x)
model = tf.keras.Model(inputs=head.inputs, outputs=x)
model.compile(loss='mse', optimizer=tf.keras.optimizers.Adam())

该方案是Keras官方推荐的预训练模型冻结方式，后续如果需要解冻微调也只需要修改trainable属性，无需调整网络结构。

方案2：仅过滤指定警告（不修改现有模型结构） #

如果你需要保留现有tf.stop_gradient的写法，只需要过滤对应的警告信息，可以在代码开头添加如下逻辑，精准过滤该条警告且不影响其他警告的输出：

import tensorflow as tf
# 仅过滤梯度不存在的特定警告
tf.get_logger().addFilter(lambda record: 'Gradients do not exist for variables' not in record.getMessage())

如果可以接受关闭所有TensorFlow警告，也可以直接调整日志级别：

import tensorflow as tf
tf.get_logger().setLevel('ERROR')

内容的提问来源于stack exchange，提问作者Ottpocket