Python 将代码从Tensorflow 1迁移到Tensorflow 2时，如何处理属性错误：'；亚当'；对象没有属性'；计算梯度'；？

我正在使用Tensorflow，并且正在使用已经为Tensorflow 1（）实现的代码。在将代码迁移到tensorflow 2时，我能够使用在线提供的文献进行大部分更改。但是，我无法找到第145行的合适替代方案：

gradients = optimizer.compute_gradients(objective, var_list=var_list)

它抛出了一个错误

Attribute Error: 'Adam' object has no attribute 'compute_gradient'

既然这个函数已经不存在了，我可以使用哪些替代方案？我已经读到可以使用以下功能来代替：

gradients = optimizer.get_gradients(objective, var_list)

这会抛出一个值错误

ValueError: Variable <tf.Variable 'agent_0/q_func/fully_connected/weights:0' shape=(9, 64) 
dtype=float32> has `None` for gradient. Please make sure that all of your ops have a 
gradient defined (i.e. are differentiable). Common ops without gradient: K.argmax, 
K.round, K.eval.

---

您应该使用

tf.GradientTape

来执行此操作。大概是这样的：

with tf.GradientTape() as tape:
    y_pred = my_obj_function(w, b, x)
    loss = my_loss(y_pred, y)

dw, db = tape.gradient(loss, [w, b])
optimizer.apply_gradients(zip([dw, db], [w, b]))

梯度在磁带内部，因为这个物体在观察变量（

w

和

b

）和损失函数相对于这些变量的梯度。然后，您可以将变量及其梯度传递给优化器，以执行优化的迭代。 上述示例的目标函数和损失函数：

def my_loss(y_pred, y_true):
    return tf.abs(y_pred - y_true)


def my_obj_function(w, b, x):
    return w * x + b

更新 正如我在评论中提到的，确保var列表中的所有元素都是

TF变量

。如果其中一些没有，只需使用以下方法将其隐藏：

var_list = [tf.variable(var) for var in var_list]

然后，您可以将坡度计算为休耕：

with tf.GradientTape() as tape:
    cost = objective(target, the_inputs)
gradients = tape.gradient(cost, var_list)

输入是使用
目标
功能计算
成本
的必要值。
磁带
仅监视定义为
TF变量的值
，并且只能计算它们的梯度。有了梯度，您可以简单地使用优化器来降低迭代中的成本：

optimizer.apply_gradients(zip(gradients, var_list))

tf.GradientTape
可以使用。看这里：

lst_var = [tf.variable(var) for var in var_list]

现在您可以计算它：

with tf.GradientTape() as tp:
    cost = objective(target, inputs)
    gradients = tp.gradient(cost, lst_var)

您好，在TensorFlow 2.x中，您可以使用GradientTap安装来代替以前使用的方法。因为这个方法基本上是在TensorFlow 1.x中使用的，而且在某些问题上TensorFlow的两个版本都有冲突。我在链接中提供的代码使用的是一个变量列表，并且至少有一些从tape.gradient返回的对象是不可iterable的非类型对象。你能提供一个如何为这段代码重新构造的例子吗？@Maximillius确保你传递给渐变的变量是TF变量，而不是TP常量或任何其他类型。您只需打印出变量即可检查。@Maximillius我也更新了我的帖子。
with tf.GradientTape() as tp:
    cost = objective(target, inputs)
    gradients = tp.gradient(cost, lst_var)