使用Keras+TensorFlow计算模型输入梯度时梯度为None并触发TypeError

grads返回None的核心原因是梯度计算的目标节点和实际计算loss的计算图链路不连通：
代码中先后创建了两个完全独立的输入张量：

1. 单独定义的占位符input_tensor：是最终通过m(input_tensor)传给模型、参与loss计算的真实输入节点
2. 搭建Keras模型时创建的input_layer（即代码标注的m.input）：是模型初始化时绑定的独立输入节点，后续重新把input_tensor接进模型时，这个旧的输入节点并未参与后续卷积计算、loss计算流程
   当调用K.gradients(loss_dist, m.input)时，计算图的梯度溯源会从loss出发沿着实际计算链路往回走，根本找不到和孤立的m.input节点的连接，自然无法计算梯度，返回None。

调整梯度计算的目标节点 #

把原本错误指向孤立节点的求导目标，换成实际参与计算的输入张量，也就是将原来的

grads = K.gradients(loss_dist,m.input)

修改为：

grads = K.gradients(loss_dist, input_tensor)

此时梯度溯源路径（loss -> 模型输出 -> input_tensor）完全连通，即可正常拿到输入对应的梯度。

从计算图层面打通链路 #

如果要保留m.input作为求导目标，就不要额外创建和模型脱节的占位符，直接用模型自带的输入节点作为喂数据的入口，同时修正激活和loss配置不匹配的问题：

• 删掉单独定义的input_tensor节点
• 把Conv2D层里的activation='relu'移到loss计算前，匹配categorical_crossentropy(from_logits=True)的要求；如果保留Conv2D的内置激活，就需要把from_logits设为False，避免数值计算偏差
• 喂数据时直接把输入矩阵绑定到m.input节点上

修正后的核心可运行代码：

input_mat = np.random.rand(1,252,252,1)
with tf.Session() as sess:
    # 构造固定的one-hot标签张量
    outmat = tf.convert_to_tensor(np.dstack((np.identity(252)[:,:,np.newaxis],np.zeros((252,252,36))))[np.newaxis,:,:,:])
    # 定义模型结构
    input_layer = tf.keras.layers.Input(shape=(252,252,1))
    # 移除Conv2D内置的relu，适配from_logits=True的loss设置
    conv_out = tf.keras.layers.Conv2D(kernel_size=(3,3),filters=37,padding='same')(input_layer)
    relu_out = tf.keras.layers.Activation('relu')(conv_out)
    m = tf.keras.Model(input_layer, relu_out)

    loss_dist = tf.keras.losses.categorical_crossentropy(
        y_pred=conv_out,
        y_true=outmat,
        from_logits=True
    )      
    # 对模型真实连通的输入节点求梯度
    grads = K.gradients(loss_dist, m.input)  
    sess.run(tf.global_variables_initializer())
    y = sess.run(grads, feed_dict={m.input: input_mat})

注意：如果保持原代码里Conv2D带内置relu的配置，需要把loss的from_logits参数设为False，否则模型输出已经经过非线性变换，和loss的计算假设不匹配，哪怕梯度能正常计算，数值结果也会有偏差。

内容的提问来源于stack exchange，提问作者Protostome