Python/Keras调用fit函数训练模型报错：未为任何变量提供梯度

最高优先级排查项：模型结构缺失预测输出层 #

你当前加载的ResNet50(include_top=False, weights='imagenet')仅为特征提取骨干网络，没有任何网络层将骨干网络输出的特征映射到和标签匹配的预测维度，从输入到损失函数的计算链路完全断开，自然无法为任意可训练变量计算梯度。

• 错误现状：去掉顶层的ResNet50输出张量固定为(None, 7, 7, 2048)，和你需要的逐像素掩膜识别任务要求的输出形状完全不匹配，损失函数无法关联模型输出与真实标签，梯度计算链路从根源断裂。
• 修正实现：在骨干网络输出后添加上采样层、逐像素预测层，将特征图还原到与输入图像一致的尺寸，组装端到端可训练的完整模型，示例代码：

from tensorflow.keras.applications import ResNet50
from tensorflow.keras.models import Model
from tensorflow.keras.layers import UpSampling2D, Conv2D

# 加载预训练骨干网络，固定输入尺寸
backbone = ResNet50(include_top=False, weights='imagenet', input_shape=(224, 224, 3))
backbone.trainable = True

# 搭建逐像素预测头
x = backbone.output
# 将7*7的特征图放大32倍，还原到224*224的尺寸
x = UpSampling2D(size=(32, 32))(x)
# 1*1卷积逐像素输出0-1区间的掩膜预测值
x = Conv2D(1, kernel_size=(1, 1), activation='sigmoid')(x)

# 组装完整可训练模型
model = Model(inputs=backbone.input, outputs=x)
# 二值掩膜任务适配的损失与优化器
model.compile(loss='binary_crossentropy', optimizer='Adam')

次优先级排查项：数据集张量形状构造错误 #

当前的数据集构造逻辑完全不符合Keras fit函数的输入规范：

• 错误现状：循环内每张图片经过np.expand_dims(imga, axis=0)处理后形状为(1, 224, 224, 3)，逐个存入列表后，整个列表的张量形状为(30, 1, 224, 224, 3)，批量维度逻辑完全错误；调用model.fit(listx[0],listy[0])仅传入单张样本，也不符合批量训练的格式要求。
• 修正实现：
  • 移除冗余的维度扩展操作，将所有样本沿批量维度堆叠为标准形状的numpy张量：

import numpy as np
from tensorflow.keras.preprocessing import image
from tensorflow.keras.applications.resnet50 import preprocess_input

listx = []
listy = []
for n in range(nb_img):
    # 加载输入图像
    img_path = f'/Users/william/Desktop/rectangles{n}.png'
    imga = image.load_img(img_path, target_size=(224, 224))
    xn = image.img_to_array(imga)
    xn = preprocess_input(xn)
    listx.append(xn)

    # 加载掩膜标签
    mask_path = f'/Users/william/Desktop/mask{n}.png'
    # 掩膜按单通道读取，避免生成三通道无意义的冗余标签
    imgb = image.load_img(mask_path, target_size=(224, 224), color_mode='grayscale')
    yn = image.img_to_array(imgb)
    listy.append(yn)

# 堆叠为标准批量张量：(样本数, 高, 宽, 通道)
X_train = np.array(listx)
y_train = np.array(listy)

# 传入完整批量数据启动训练
model.fit(X_train, y_train, batch_size=4, epochs=10)

第三优先级排查项：标签预处理逻辑错误 #

• 错误现状：你对二值掩膜标签直接调用了preprocess_input，该函数是为ImageNet RGB图像设计的归一化逻辑（减通道均值、转换通道顺序），会把原本取值为0/1的二值掩膜转换成无意义的负数值，导致标签与模型输出的数值范围完全错配，损失计算无法关联梯度。
• 修正规则：
  • 输入图像可以正常使用preprocess_input做归一化
  • 掩膜标签绝对不能调用图像预处理函数，保持原始0/1的标签值即可
  • 二值掩膜任务下，将损失从mean_absolute_error替换为binary_crossentropy会更稳定，梯度计算也更顺畅

其他易触发同类报错的细节校验 #

• 确认模型所有可训练层的trainable属性设置为True，如果所有层都被冻结，也会触发同类梯度缺失报错
• 确认组装完完整模型（包含预测输出层）之后再调用compile方法，不要在仅加载骨干网络、没有预测头的阶段直接编译
• 确认所有依赖的网络层、模型类都正确导入，避免因导入异常导致模型结构加载不完整

内容的提问来源于stack exchange，提问作者user15315630