Python Tensorflow:tape.gradient（）为GRU层返回None

我使用以下代码构建模型（tensorflow==1.14）：

类模型（tf.keras.Model）：
定义初始化（自）：
超级（模型，自我）。\uuuu初始化
self.embedding=tf.keras.layers.embedding（10,5）
self.rnn=tf.keras.layers.GRU（100）#GRU和LSTM都不起作用
自最终_层=tf.keras.layers.致密（10）
self.loss\u obj=tf.keras.loss.sparsecategoricalcross熵（from\u logits=True，reduce='none'）
def呼叫（自我，inp）：
inp_em=自嵌入（inp）#（批量大小，顺序，嵌入大小）
inp_enc=self.rnn（inp_em）#（批量大小，隐藏大小）
logits=self.final_layer（inp_enc）#（批量大小，类数）
返回登录
模型=模型（）
inp=np.random.randint（0,10[5,50]，dtype=np.int32）
out=np.random.randint（0,10[5]，dtype=np.int32）
使用tf.GradientTape（）作为磁带：
logits=模型（inp）
损耗=模型损耗\u对象（out，logits）
打印（丢失）
梯度=磁带梯度（tf.减少平均值（损失），模型.可训练变量）
打印（'================可训练变量=============='）
对于模型中的v.trainable_变量：
印刷品（五）
打印（'==============================='）
对于梯度中的g：
印刷品（g）

但当我打印Grident时，输出是：

Tensor（“分类交叉熵/加权损失/Mul:0”，shape=（5，），dtype=float32）
=============可训练变量==========
=============渐变==========
没有一个
没有一个
没有一个
没有一个
张量（“MatMul:0”，shape=（100,10），dtype=float32）
张量（“biaaddgrad:0”，shape=（10，），dtype=float32）

最后一层的Grident运行良好，但GRU层的Grident不工作，等等

我已经尝试了

tf.keras.layers.LSTM

和

tf.keras.layers.GRU

，同样的问题也存在

更新 最后，我将

tf.GradientTape（）.gradient（）

替换为

tf.graidents（）

：

logits=model（inp）
损耗=模型损耗\u对象（out，logits）
梯度=tf.梯度（tf.减少平均值（损失），模型可训练变量）

---

渐变效果很好。但是我仍然不知道这两种工具之间有什么区别。

我想我需要用磁带观察一些张量。watch（）。但我不知道它在哪里，也不知道怎么做。也许会有帮助？