从 tf.gradients() 到 tf.GradientTape() 的转换返回 None

Question

我正在将一些 TF1 代码迁移到 TF2。有关完整代码，您可以查看here 行 [155-176]。 TF1 中有一条线在给定损失（浮点值）和 (m, n) 张量的情况下获得梯度

编辑：问题仍然存在

注意： TF2 代码应该兼容并且应该在 tf.function 中工作

g = tf.gradients(-loss, f)  # loss being a float and f being a (m, n) tensor
k = -f_pol / (f + eps)  # f_pol another (m, n) tensor and eps a float
k_dot_g = tf.reduce_sum(k * g, axis=-1)
adj = tf.maximum(
    0.0,
    (tf.reduce_sum(k * g, axis=-1) - delta)
    / (tf.reduce_sum(tf.square(k), axis=-1) + eps),
)
g = g - tf.reshape(adj, [nenvs * nsteps, 1]) * k
grads_f = -g / (nenvs * nsteps)
grads_policy = tf.gradients(f, params, grads_f)  # params being the model parameters

在我正在尝试的 TF2 代码中：

with tf.GradientTape() as tape:
    f = calculate_f()
    f_pol = calculate_f_pol()
    others = do_further_calculations()
    loss = calculate_loss()
g = tape.gradient(-loss, f)

但是，无论我使用 tape.watch(f) 还是创建具有 f 值的 tf.Variable 或什至在 tf.gradients() 中使用 tf.gradients()，我都会不断收到 g = [None]，否则它会抱怨。

Answer 1

很可能是以下情况之一

1. 在由@tf.funtion 修饰的函数中定义tf.Variable ?
2. 有些变量是 numpy.array 而不是 tf.Tensor
3. 您更改了修饰函数内部的一些外部变量（即全局变量）。