Python Tensorflow Keras在tf.math.pow中学习指数

我试图创建一个层来学习幂函数的指数。我的Keras层如下所示：

class-density\u电源（层）：
定义初始（自我，**kwargs）：
超级（高密度、自功率）。\uuuuu初始值（**kwargs）
def构建（自我，输入_形状）：
self.kernel=self.add_weight（'kernel'，
形状=（输入形状[1]，），
initializer=tf.keras.initializers.glorot_uniform（），
可培训=真实）
#为该层创建可训练重量变量。
自功率=自加重量（“功率”，
形状=（输入形状[1]，），
initializer=tf.keras.initializers.glorot_uniform（），
可培训=真实）
超级（密集的力量，自我）。构建（输入形状）#最后一定要调用这个
def呼叫（自我，x）：
power_val=tf.math.pow（x，self.power）
dot\u prod=tf.linalg.matmul（power\u val，self.kernel）
返回点
def计算输出形状（自身、输入形状）：
返回（输入形状[0]，输入形状[1]）

然而，当我尝试训练网络时，我的损失是很小的。为什么会这样？ 我的模型是

inp=Input（shape=（1，））
x=密集功率（1）（inp）
模型=模型（inp，x）
model.compile（优化器='rmsprop'，
损失='mse'）
x_序列=np.随机均匀（-10010020000000）
y_列车=9.82*x_列车**2
型号.配合（x\U系列、y\U系列、批量大小=1024）

起初，我认为Tensorflow无法将梯度传播到tf.math.pow的指数，但是我使用

使用tf.GradientTape（）作为磁带：
x=tf.变量（2.0）
功率=tf.变量（3.0）
x_pow=tf.math.pow（x，pow）
损耗=tf.减少平均值（x_功率**2）
梯度=磁带梯度（损耗，[x，功率]）
打印（渐变）
[, ]

这是不是Keras不传播梯度的问题