TensorFlow急切执行：AttributeError:'；非类型'；对象没有属性'_磁带&x27；

我正在尝试运行一个自定义构建模型，其中TF处于急切执行状态，但收到以下错误，我真的不知道如何解释：

AttributeError回溯（最近一次调用）
在（）
17 answer=tf.转换为张量（answers\u train[i]，dtype=tf.float32）
18
--->19个等级=等级（模型、发送、任务、回答）
20优化器。应用_梯度（zip（梯度、模型、变量），
21全局\u步骤=tf.train.get\u或\u create\u global\u步骤（）
等级（模型、发送、任务、目标）
2使用tfe.GradientTape（）作为磁带：
3损失值=损失（模型、发送、任务、目标）
---->4返回磁带梯度（损耗值、模型变量）
/Users/sdoneva/anaconda/lib/python3.6/site-packages/tensorflow/python/eager/backprop.py in\uuuuuuuu exit\uuuuuu（self、typ、value、traceback）
715
716定义退出（自身、类型、值、回溯）：
-->717磁带。pop_磁带（自动磁带）
718
719 def手表（自我、张量）：
/pop_磁带（磁带）中的Users/sdoneva/anaconda/lib/python3.6/site-packages/tensorflow/python/eager/tape.py
60 def pop_磁带（磁带）：
61“弹出堆栈中的顶部磁带（如果有）。”
--->62 pywrap_tensorflow.TFE_Py_TapeSetRemove（tape._tape）#pylint:disable=受保护的访问
63
64
AttributeError:“非类型”对象没有属性“\u磁带”

我的输入是转换为张量的数组：

sent=tf.convert\u to\u tensor（上下文\u train[i]，dtype=tf.float32）
quest=tf.convert\u to\u tensor（问题训练[i]，dtype=tf.float32）
answer=tf.convert\u to\u tensor（answers\u train[i]，dtype=tf.float32）

这就是我定义梯度和损失函数的方法：

def梯度（型号、发送、任务、目标）：
使用tfe.GradientTape（）作为磁带：
损失值=损失（模型、发送、任务、目标）
返回磁带.梯度（损耗值，模型.变量）
def丢失（型号、已发送、任务、y）：
预测=模型。预测（发送，任务）
返回tf.keras.loss.categorical_交叉熵（y，预测）

我如何称呼培训：

grads=grad（模型、发送、任务、答案）
优化器。应用梯度（zip（梯度、模型、变量），
全局\u步骤=tf.train.get\u或\u create\u global\u步骤（）

为完整起见，以下是模型：

类模型（tf.keras.Model）：
定义初始化（自）：
超级（模型，自我）。\uuuu初始化
self.embed=tf.keras.layers.embeding（42,50）
self.grucell=tf.keras.layers.grucell（50）
self.rnn=tf.keras.layers.rnn（self.grucell）
self.density=tf.keras.layers.density（42，activation=tf.nn.softmax）
自衰减=tf.keras.layers.dropout（0.3）
def预测（自我、句子、问题）：
编码的句子=self.embed（句子）
编码的句子=tf.keras.backend.expand\u dims（编码的句子，轴=-1）
编码的句子=self.rnn（编码的句子）
编码的句子=自我辍学（编码的句子）
编码的问题=self.embed（问题）
encoded_question=tf.keras.backend.expand_dims（encoded_question，axis=-1）
编码的问题=self.rnn（编码的问题）
编码问题=自我辍学（编码问题）
merged=tf.keras.layers.concatenate（[编码的句子，编码的问题]）
pred=自密实（合并）
pred=tf.keras.backend.expand_dims（pred，axis=1）
返回pred

---

如果能得到一些帮助来了解背景中发生了什么，那就太好了。

您需要调用

tape.gradient

，在

块的范围之外。特别是，将
grad
功能更改为以下内容：

def grad(model, sent, quest, targets):
    with tfe.GradientTape() as tape:
      loss_value = loss(model, sent, quest, targets)
    return tape.gradient(loss_value, model.variables)

确实是这样，谢谢。然而，由于某些原因，与在本地TF中实现的相同模型相比，该训练极其缓慢。。。