Python TypeError使用GradientTape.gradient计算渐变

你好,

我目前正试图在Tensorflow 1.13.1中计算梯度，并使用中解释的

GradientTape

类，但我得到了一个

TypeError:Fetch参数None具有无效类型

下面，我将包括两个简单的例子，其中我得到这个错误，只使用开箱即用的Tensorflow函数，第一个是简单的最小工作示例，第二个是我实际需要解决/解决的问题。为了完整起见，我使用的是Python 3.6.8

简单的

将tensorflow导入为tf
tf.reset_default_graph（）
x=tf.常数（[1,2,3.]）
使用tf.GradientTape（persistent=True）作为gg：
gg.手表（x）
f1=tf.map\u fn（λa:a**2，x）
f2=x*x
#计算梯度
d_fx1=gg.梯度（f1，x）#导致误差的线
d_fx2=gg.梯度（f2，x）#无误差
del gg#删除永久梯度带
使用tf.Session（）作为sess：
d1，d2=sess.run（（d_fx1，d_fx2））
打印（d1、d2）

在此代码中，

f1

和

f2

以不同的方式计算，但给出相同的数组。然而，当试图计算与它们相关联的梯度时，第一行给出了以下错误，而第二行则完美无瑕。我在错误的堆栈跟踪下面报告

TypeError回溯（最近一次调用）
在（）
15
16将tf.Session（）作为sess：
--->17 d1，d2=sess.run（（d_fx1，d_fx2））
18份打印件（d1、d2）
C:\HOMEWARE\Miniconda3-Windows-x86\u 64\envs\rdwsenv\lib\site packages\tensorflow\python\client\session.py正在运行（self、fetches、feed\u dict、options、run\u元数据）
927尝试：
928结果=self.\u运行（无、取数、输入、选项、，
-->929运行（元数据）
930如果运行元数据：
931 proto_data=tf_session.tf_GetBuffer（run_metadata_ptr）
C:\HOMEWARE\Miniconda3-Windows-x86\u 64\envs\rdwsenv\lib\site packages\tensorflow\python\client\session.py in\u run（self、handle、fetches、feed\u dict、options、run\u元数据）
1135#创建一个获取处理程序来处理获取的结构。
1136 fetch_handler=_FetchHandler(
->1137 self.\u图形、获取、馈送\u dict\u张量、馈送\u句柄=馈送\u句柄）
1138
1139#运行请求并获取响应。
C:\HOMEWARE\Miniconda3-Windows-x86\u 64\envs\rdwsenv\lib\site packages\tensorflow\python\client\session.py in\uuuuuu init\uuuuuu（self、graph、fetches、feed、feed\u句柄）
469     """
470与graph.as_default（）：
-->471 self.\u fetch\u mapper=\u FetchMapper.for\u fetch（fetches）
472 self._fetches=[]
473自我目标=[]
C:\HOMEWARE\Miniconda3-Windows-x86\u 64\envs\rdwsenv\lib\site packages\tensorflow\python\client\session.py in for\u fetch（fetch）
259 elif isinstance（获取，（列表，元组））：
260注意（touts）：这也是namedtuples的代码路径。
-->261返回\u ListFetchMapper（获取）
262 elif isinstance（获取、集合、映射）：
263返回_DictFetchMapper（fetch）
C:\HOMEWARE\Miniconda3-Windows-x86\u 64\envs\rdwsenv\lib\site packages\tensorflow\python\client\session.py in uuuu init（self，fetches）
368     """
369自我获取类型=类型（获取）
-->370 self._mappers=[_FetchMapper.for_fetch（fetch）for fetch in fetches]
371 self.\u unique\u fetches，self.\u value\u index=\u uniquify\u fetches（self.\u映射器）
372
C:\HOMEWARE\Miniconda3-Windows-x86_64\envs\rdwsenv\lib\site packages\tensorflow\python\client\session.py in（.0）
368     """
369自我获取类型=类型（获取）
-->370 self._mappers=[_FetchMapper.for_fetch（fetch）for fetch in fetches]
371 self.\u unique\u fetches，self.\u value\u index=\u uniquify\u fetches（self.\u映射器）
372
C:\HOMEWARE\Miniconda3-Windows-x86\u 64\envs\rdwsenv\lib\site packages\tensorflow\python\client\session.py in for\u fetch（fetch）
256如果fetch为None：
257 raise TypeError（'获取参数%r具有无效类型%r'（获取，
-->258类型（取数）
259 elif isinstance（获取，（列表，元组））：
260注意（touts）：这也是namedtuples的代码路径。
TypeError:获取参数None的类型无效

请注意，我也尝试过一次只计算一个梯度，即使用

persistent=False

，得到了相同的结果

实际需要 下面，我还将包括一个最小的工作示例，以重现我得到的相同错误，但试图解决我实际正在处理的问题

在这段代码中，我使用一个

RNN

来计算一些输入的输出w.r.t，我需要计算这个输出w.r.t输入的

jacobian

将tensorflow导入为tf
从tensorflow.keras.layers导入RNN、GRUCell
#定义变量的大小。TODO:适应数据
inp_dim=2
数量单位=50
批量大小=100
时间步长=10
#重置图形，以避免错误
tf.reset_default_graph（）
#构建模型
输入=tf.ones（形状=（时间步、批次大小、输入尺寸））
#跟随梯度计算
将tf.GradientTape（）作为g：
g、 手表（输入）
单元格=[GRUCell（num\u单位），GRUCell（num\u单位）]
rnn=rnn（单元格，时间=真，返回序列=真）
f=rnn（输入）
d_fx=g.batch_雅可比矩阵（f，输入）
#运行图
使用tf.Session（）作为sess：
sess.run（tf.global\u variables\u initializer（））
梯度=sess.run（d_fx）
渐变形状

关于堆栈跟踪，我得到了相同的错误，但行数较少（此堆栈跟踪中有一行

用于_fetch

，

和

\u init

较少）。为完整起见，我仍将其包括在下面

TypeError回溯（最近一次调用）
在（）
25将tf.Session（）作为sess：
26 sess.run（tf.global\u variables\u initializer（））
--->27年级=社会科学硕士。
import tensorflow as tf
from tensorflow.keras.layers import RNN, GRUCell, Dense

# Define size of variable. TODO: adapt to data
inp_dim = 2
num_units = 50
batch_size = 100
timesteps = 10

# Reset the graph, so as to avoid errors
tf.reset_default_graph()

inputs = tf.ones(shape=(timesteps, batch_size, inp_dim))

### Building the model
cells = [GRUCell(num_units), GRUCell(num_units)]
rnn = RNN(cells, time_major=True, return_sequences=True)
final_layer = Dense(1, input_shape=(num_units,))

# Apply to inputs
last_state = rnn(inputs)
f = final_layer(last_state)

[derivs] = tf.gradients(f, inputs)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    grads = sess.run(derivs)