Keras Sequential建模报mixed_precision模块属性缺失AttributeError

这个报错和你编写的Sequential()模型初始化代码本身没有逻辑关联，本质是本地安装的TensorFlow存在版本碎片化、组件错配导致的导入冲突。
从堆栈信息可以看到，报错根本没有执行到你初始化模型的业务逻辑，是Keras内部加载混合精度训练相关模块时，找不到对应版本的内部方法抛出的异常：
报错提示缺失的_register_wrapper_optimizer_cls是TensorFlow 2.3版本之后才新增到tensorflow.python.training.experimental.mixed_precision模块的内部方法，触发这个错的常见场景：

• 本地同时安装了正式版TensorFlow和tf-nightly预览版，两套组件的文件路径互相覆盖
• 升级/降级TensorFlow时没有清理残留的旧版本文件，导致不同版本的模块混杂在同一个安装目录下
• 单独安装独立的Keras包，和TensorFlow内置的Keras版本出现错配

• 第一步：彻底卸载当前环境中所有和TensorFlow、Keras相关的包，清除残留文件。在终端执行命令：
  pip uninstall -y tensorflow tensorflow-gpu tf-nightly keras
  反复执行该命令直到pip提示无法找到对应包为止，避免旧版本文件残留。
• 第二步：清理pip安装缓存，避免后续安装时拉取到损坏的安装包，执行：
  pip cache purge
• 第三步：安装和你当前Python版本（从堆栈路径可确认是Python3.6）兼容的固定稳定版TensorFlow，不要使用模糊的最新版号。Python3.6最适配的稳定版本是TensorFlow 2.3.0，执行安装命令：
  pip install tensorflow==2.3.0
• 第四步：安装完成后，先运行基础验证代码确认导入正常，不要直接跑业务逻辑：

  from tensorflow.keras.models import Sequential
  test_model = Sequential()
  print("模块导入正常")
  

  只要这段验证代码不报错，说明版本冲突已经解决，可以继续编写模型搭建逻辑。

注意事项 #

解决完版本冲突后，不需要再单独安装独立的Keras包。从TensorFlow 2.2版本开始，Keras已经完全整合进TensorFlow内部，单独安装独立Keras包会再次触发版本错配问题。
另外你原有代码里的第11行存在语法错误：model.add(Dropout(0.1), input_shape=(128,)) 的写法无效，input_shape参数需要传入第一个层的构造函数，不能作为add方法的额外参数，修正后的写法为：
model.add(Dropout(0.1, input_shape=(128,)))

内容的提问来源于stack exchange，提问作者yksolanki9