如何在TensorFlow中更新列表中选定的变量？

这是个很常见的TensorFlow新手误区，核心问题出在tf.gather返回的对象和直接列表索引的对象本质完全不同：

为什么直接用self.weights[0]能正常工作？ #

当你写self.weights[0]时，你直接获取的是列表中存储的原生TensorFlow Variable对象——这是计算图中带有梯度追踪能力的可训练节点，optimizer可以直接识别它并计算对应的梯度，进而完成更新。

为什么tf.gather(self.weights, self.action_holder)会报错？ #

tf.gather(self.weights, self.action_holder)返回的是一个Tensor对象，它是计算图中“索引取值”这个运算的输出结果，而不是原始的Variable本身。optimizer的minimize方法要求var_list传入的是可训练的Variable对象，因为只有Variable才会被TensorFlow的梯度计算框架追踪梯度。你传入一个Tensor的话，框架找不到从这个Tensor回溯到原始Variable的梯度链路，自然会抛出“No gradients provided”的错误。

简单说：tf.gather是计算图中的一个运算，而直接列表索引是取到可训练变量本身——两者完全不是一回事。

解决方案 #

根据你的使用场景（动态选择一个Variable更新），可以用以下两种方式实现：

1. Eager Execution模式（TensorFlow 2.x默认） #

如果是在Eager模式下，可以先把self.action_holder转换成Python标量，再直接索引列表取Variable：

# 获取action的索引值（确保action_holder是标量Tensor）
action_idx = self.action_holder.numpy()
# 直接选择对应的Variable传入var_list
self.update = optimizer.minimize(self.loss, var_list=[self.weights[action_idx]])

2. Graph Execution模式 #

如果是在传统图模式下（比如TensorFlow 1.x或者tf.function装饰的函数），可以用tf.cond来分支选择要更新的Variable（如果变量数量不多）：

def update_with_var(idx):
    return optimizer.minimize(self.loss, var_list=[self.weights[idx]])

# 假设action_holder的可能取值是0到len(self.weights)-1，这里以2个变量为例
self.update = tf.cond(
    tf.equal(self.action_holder, 0),
    lambda: update_with_var(0),
    lambda: update_with_var(1)
)

如果变量数量较多，可以用tf.while_loop或者构建索引映射逻辑，核心都是确保最终传入var_list的是原始Variable对象，而不是tf.gather生成的Tensor。

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