Python Tensorflow损失函数当提供标量时无梯度误差

这个问题是关于tf.loss.huber_loss（）函数的，以及如何将它应用于标量而不是向量。谢谢你抽出时间

我的模型类似于MNIST这样的分类问题。我的代码基于TensorFlow层教程，并在我认为合适的地方进行了更改。我不认为我的问题需要确切的代码

我的标签采用{0，…，8}中的整数值，并将其转换为onehot标签，如下所示：

onehot_labels = tf.one_hot(indices=tf.cast(labels, tf.int32), depth=n_classes)

 predictions = {"classes": tf.argmax(input=logits, axis=1), "probabilities": tf.nn.softmax(logits, name="softmax_tensor")}

模型中的最后一层是

logits = tf.layers.dense(inputs=dense4, units=n_classes)

将其转换为如下预测：

onehot_labels = tf.one_hot(indices=tf.cast(labels, tf.int32), depth=n_classes)

 predictions = {"classes": tf.argmax(input=logits, axis=1), "probabilities": tf.nn.softmax(logits, name="softmax_tensor")}

在教程中，我从tf.loss.softmax\u cross\u entropy（）损失函数开始。但在我的模型中，我预测的是离散化后的bin a值将在哪个位置下降。所以我开始寻找一个损失函数，它可以解释一个料仓关闭的预测比两个料仓关闭的预测问题要小。类似于绝对差值或休伯函数

代码

onehot_labels = tf.one_hot(indices=tf.cast(labels, tf.int32), depth=n_classes)
loss = tf.losses.softmax_cross_entropy(onehot_labels=onehot_labels, logits=logits)

与优化器结合使用：

optimizer = tf.train.GradientDescentOptimizer(learning_rate=ps.learning_rate)

工作没有任何错误。更改为Huber功能时：

loss = tf.losses.huber_loss(labels=onehot_labels, predictions=logits)

仍然没有错误。但在这一点上，我不确定到底发生了什么。基于这一点，我希望对向量的元素成对应用Huber函数，然后求和或平均

我只想对标签整数（在{0，…，9}）和预测值应用Huber函数：

preds = tf.argmax(input=logits, axis=1)

这就是我所尝试的：

loss = tf.losses.huber_loss(labels=indices, predictions=preds)

这增加了错误

ValueError: No gradients provided for any variable

我发现了两个我认为在我的情况下不会发生的常见原因：

• 变量对象和损失函数之间没有路径。但是由于我的预测代码经常被使用，并且标签是作为整数提供的，我认为这不适用于这里

• 该函数不能导出为梯度。但当向量被用作输入时，Huber函数确实起作用，所以我认为情况并非如此

我的问题是：什么代码允许我在两个整数张量（标签和预测）上使用Huber损失函数