Python 计算Keras中多输出模型的梯度，并将其转换为Tensorflow数据类型错误

我有一个Keras的多输出模型（精确地说是18个输出），每个输出都有一个损失函数。我试图在更快的RCNN中模仿区域建议网络。在培训之前，我想确保我的模型的梯度是有序的，我有一个片段，如下所示：

with tf.GradientTape() as tape:
    loss = RegionProposalNetwork.evaluate(first_batch)[0]
    t = tape.watched_variables()
grads = tape.gradient(loss, RegionProposalNetwork.trainable_variables)
print(grads)

变量

first\u batch

通过使用

take（）

从tf.data对象获得。功能。返回值loss是一个大小为19的数组，其中loss[0]是所有损失函数的总和，也称为总损失。在打印渐变阵列之前，我收到了错误消息/跟踪：

Traceback (most recent call last):
  File "C:\Program Files\JetBrains\PyCharm Community Edition 2020.2\plugins\python-ce\helpers\pydev\pydevd.py", line 1448, in _exec
    pydev_imports.execfile(file, globals, locals)  # execute the script
  File "C:\Program Files\JetBrains\PyCharm Community Edition 2020.2\plugins\python-ce\helpers\pydev\_pydev_imps\_pydev_execfile.py", line 18, in execfile
    exec(compile(contents+"\n", file, 'exec'), glob, loc)
  File "C:/Users/James/PycharmProjects/Masters/models/MoreTesting.py", line 469, in <module>
    grads = tape.gradient(loss, RegionProposalNetwork.trainable_variables)
  File "C:\Users\James\Anaconda3\envs\masters\lib\site-packages\tensorflow\python\eager\backprop.py", line 1034, in gradient
    if not backprop_util.IsTrainable(t):
  File "C:\Users\James\Anaconda3\envs\masters\lib\site-packages\tensorflow\python\eager\backprop_util.py", line 30, in IsTrainable
    dtype = dtypes.as_dtype(dtype)
  File "C:\Users\James\Anaconda3\envs\masters\lib\site-packages\tensorflow\python\framework\dtypes.py", line 650, in as_dtype
    (type_value,))
TypeError: Cannot convert value 29.614826202392578 to a TensorFlow DType.

回溯（最近一次呼叫最后一次）：
文件“C:\Program Files\JetBrains\PyCharm Community Edition 2020.2\plugins\python ce\helpers\pydev\pydevd.py”，第1448行，在_exec中
pydev_imports.execfile（文件、全局、局部）#执行脚本
文件“C:\Program Files\JetBrains\PyCharm Community Edition 2020.2\plugins\python ce\helpers\pydev\\u pydev\u imps\\u pydev\u execfile.py”，第18行，在execfile中
exec（编译（内容+“\n”，文件，'exec'），全局，loc）
文件“C:/Users/James/PycharmProjects/Masters/models/MoreTesting.py”，第469行，在
梯度=磁带.梯度（损失，区域建议网络.可训练变量）
文件“C:\Users\James\Anaconda3\envs\masters\lib\site packages\tensorflow\python\eager\backprop.py”，第1034行，渐变
如果不是backprop_util.IsTrainable（t）：
文件“C:\Users\James\Anaconda3\envs\masters\lib\site packages\tensorflow\python\eager\backprop\u util.py”，第30行，可编辑
dtype=dtypes.as\u dtype（dtype）
文件“C:\Users\James\Anaconda3\envs\masters\lib\site packages\tensorflow\python\framework\dtypes.py”，第650行，as\u dtype
（类型_值，））
TypeError:无法将值29.614826202392578转换为TensorFlow数据类型。

其中，float

29.614826202392578

是对模型求值函数调用的总体损失。我不确定这个错误是什么意思。作为参考，所有输入数据类型和中间层结果都是tf.float32值的张量。任何见解都值得赞赏

---

编辑：如果我尝试使用

tf.convert_to_tensor

将损失转换为张量，我将不再得到错误，但是返回的梯度都是零。我已经测试过，我的模型权重已更新，将调用

fit（）

，因此出现问题。

我遇到的问题是返回值如下所述：

返回标量测试损失（如果模型只有一个输出且没有 度量）或标量列表（如果模型有多个输出和/或 指标）。属性model.metrics\u名称将显示 标量输出的标签

不是张量。类似地，model.predict（）也不起作用，因为结果是一个numpy数组，破坏了梯度计算。为了计算梯度，如果我只是调用测试输入数据上的模型，然后计算关于地面真值的损失函数，即

with tf.GradientTape() as tape:
     model_output = model(input)
     loss = loss_fn(output, model_output)
gradients = tape.gradient(loss, model.trainable_variables)

# And if you are using a generator, 
batch = data_iterator.get_next()
input = batch[0]
output = batch[1]