Python 如何在我的层中找到不可微运算？

我试图创建一个相当复杂的lambda层，在keras中有许多操作。在我实现它之后，我得到了一个

ValueError：没有为任何变量提供梯度

虽然我只使用keras操作来转换数据（除了我使用numpy创建的常数，稍后我将其添加到张量中），但我知道一定有一些操作是不可微的。现在，我想知道如何找出它是哪一个，以便找到解决方法

我还不想发布任何代码，因为这是竞争的一部分，我想自己解决这个问题。如果因为这个原因我很难理解我的问题，请让我知道。但是，我可以列出我正在使用的所有功能：

从tensorflow.keras导入后端为K
从tensorflow.python.keras.layers导入Lambda
...
定义my_lambda_函数（x）：
#用途：
K.批处理
K.卡斯特
K.夹子
串联
K.1_热
重塑
K.sum
K.tile#仅适用于在numpy中创建的常量
...
#在这样的模型中使用函数：
my_lambda_layer=lambda（my_lambda_函数）
结果张量=我的lambda层（一些输入）

我认为K.one_hot可能会有问题，但我想知道一种方法，在我尝试在几个小时的睡眠后使其可区分之前，这里是我的简单解决方案：创建一个用于测试的简单NN，并添加一个lambda层，在其中我分别尝试所有函数。然而，这只是发现问题的间接方法。这是我的密码：

从tensorflow.python.keras.layers导入输入、Conv2D、maxpoolig2d、UpSampling2D、Conv2DTranspose、Lambda
从tensorflow.python.keras.models导入
从tensorflow.keras.datasets.mnist导入加载数据
从tensorflow.keras导入后端为K
导入tensorflow作为tf
将numpy作为np导入
（x_列，y_列），（x_测试，y_测试）=负载数据（）
x_系列，x_测试=x_系列/255.0，x_测试/255.0
x_序列，x_测试=np.整形（x_序列，（-1,28,28,1）），np.整形（x_测试，（-1,28,28,1））
def测试_功能（x）：
x_int=K.cast（x，tf.int16）#这是我案例中的梯度杀手之一
返回K.cast（x_int，tf.float16）
模型=顺序（）
添加（输入（shape=（28,28,1）））
添加（Conv2D（10，（5，5），padding='same'，activation='relu'））
model.add（MaxPooling2D（））
模型添加（Lambda（测试函数））
model.add（UpSampling2D（））
add（conv2dtranspase（4，（5，5），padding='same'，activation='relu'））
add（conv2dtranspase（1，（3，3），padding='same'，activation='sigmoid'））
model.compile（优化器='adam'，
损失='mse'，
指标=[‘准确度’]）
模型拟合（x_序列，x_序列，历元=5）
模型评估（x_检验，x_检验）

这对我很有效，但我希望有更好的解决方案

顺便说一句，我可以使用以下函数近似地板操作（这也会消除梯度）：

defa（x）：
2_pi=2*math.pi
双πx=x*双π
正弦=K.sin（二πx）
分子=正弦+2πx
返回分子/2_π
def近似楼层（x）：
x2=a（a（a（x））-0.5
返回x2
信息不足，无法给出正确答案。使用
one\u hot
这一事实意味着您正在处理离散数据，而这通常是不可微的。我正在创建一个层，该层应用一种基于最后一层位置输出向量的向量。因此，我需要一个_hot将输出向量映射到一个矩阵，然后将它与另一个相乘。不过，近似值也不错，因为离散化当然会消除梯度。我想tensorflow可能会近似于这些操作的梯度。