TensorFlow自定义动态损失函数报错No gradients provided for any variable

• 核心原因是你使用tf.numpy_function封装了基于scipy、numpy实现的损失计算逻辑，TensorFlow的自动微分机制（GradientTape）无法追踪Python原生、numpy、scipy操作的计算路径，梯度传递链在损失计算环节直接断裂，最终tape.gradient返回的所有参数梯度均为None，触发无梯度报错。
• 额外说明：tf.numpy_function本身的设计定位就是执行无法被转换为TensorFlow计算图的Python逻辑，默认不支持梯度回传，就算你强行自定义梯度也会带来极大的性能损耗，不是自定义损失的合理实现方式。

你需要将所有损失计算逻辑全部替换为TensorFlow原生算子实现，保证计算全程在TensorFlow计算图内完成，梯度可以正常回传：

1. 替换马氏距离计算为TensorFlow原生实现，不要调用scipy的pdist
   示例实现（无需依赖第三方库）：

def get_cov(x):
    # 手写协方差矩阵计算
    x_mean = tf.reduce_mean(x, axis=0, keepdims=True)
    x_centered = x - x_mean
    cov = tf.matmul(x_centered, x_centered, transpose_a=True) / (tf.cast(tf.shape(x)[0], tf.float32) - 1)
    return cov

def tf_mahalanobis_pdist(output):
    # output形状为 (n_samples, n_features)
    n = tf.shape(output)[0]
    cov = get_cov(output)
    # 加小常量防止协方差矩阵奇异
    inv_cov = tf.linalg.inv(cov + 1e-6 * tf.eye(tf.shape(output)[1]))
    # 向量化计算两两样本的马氏距离
    diff = tf.expand_dims(output, 1) - tf.expand_dims(output, 0)
    mahal = tf.sqrt(tf.einsum('ijk,kl,ijl->ij', diff, inv_cov, diff))
    return mahal

2. 替换样本对筛选、损失计算为TensorFlow原生实现，不要用numpy掩码、Python循环
   原来的筛选逻辑可以用tf.gather实现，示例：

@tf.function
def mahal_loss(output, indices_train, dist_train):
    mahal = tf_mahalanobis_pdist(output)
    # 提取指定样本对的距离
    new_distance = tf.gather(mahal, indices_train, batch_dims=1)
    # 计算MSE损失
    loss = tf.reduce_mean(tf.square(dist_train - new_distance))
    return loss

3. 修改训练逻辑，删掉原来的tf.numpy_function封装，直接调用TensorFlow实现的损失函数：

@tf.function
def train_step(rgb, indices_train, dist_train):
    with tf.GradientTape() as tape:
        predictions = model(rgb, training=True)
        loss = mahal_loss(predictions, indices_train, dist_train)
    gradients = tape.gradient(loss, model.trainable_variables)
    optimizer.apply_gradients(zip(gradients, model.trainable_variables))
    train_loss(loss)

训练前将用到的indices_train、dist_train提前转换为TensorFlow张量格式，训练时直接传入train_step即可。

内容的提问来源于stack exchange，提问作者monk_ktr