Python Tensorflow Keras梯度带对一个模型的可训练变量返回无，该变量受另一个模型的可训练变量影响

只要简单的代码就不会生成渐变。 如果我使用其他变量而不是“model_tmp.trainable_variables[0]”（tf.variable b），一切都会正常，我会得到正确的梯度

@tf.function
def cat(model, model_tmp):
    with tf.GradientTape(persistent=True, watch_accessed_variables=False) as g:
        g.watch(model.trainable_variables[0])
        model_tmp.trainable_variables[0] = tf.multiply(model.trainable_variables[0], 2)        
        a = tf.reduce_mean(model_tmp.trainable_variables[0])
        grads_out = g.gradient(a, model.trainable_variables[0])
        tf.print(grads_out) 
        return grads_out

cat(model, model2)

输出：

None

模型是自定义的Keras模型。 model2是第一个模型的克隆（model2=tf.keras.models.clone\u model（model））

---

这个问题的可能根源是什么？谢谢

这可能是因为在TensorFlow可以看到模型的可训练变量之前，您必须在模型上执行前进步骤。 应该在g.watch（）和g.gradient（）函数之间运行前进步骤