Tensorflow 在与常数张量相乘后失去对变量/梯度的跟踪

如何解决Tensorflow 在与常数张量相乘后失去对变量/梯度的跟踪

我有一个带有一些自定义 tensorflow 层的 tensorflow 模型。我通过调用 tf.Variables 在 build() 方法中构建我的 self.add_weight()，因为它应该完成。然后我在调用之前将这些权重与其他一些常数张量相乘（考虑它的基础变化）。看来 tensorflow 失去了对我的变量的跟踪。然而，它们并没有消失在我的层的可训练变量中。 这是一个重现我想要做的错误的示例：

class ToyLayer(tf.keras.layers.Layer):
    def __init__(self):
        super(ToyLayer,self).__init__()
        self.basis_vector = tf.constant([1,0.,1])

    def build(self,input_shape):
        self.variable = self.add_weight(shape=(1,))
        self.effective_weight = self.variable*self.basis_vector

    def call(self,inputs,**kwargs):
        return tf.tensordot(inputs,self.effective_weight,axes=1)


layer = ToyLayer()
x = tf.random.normal((3,))
with tf.GradientTape() as tape:
    y = layer(x)
print(layer.trainable_weights)
print(tape.gradient(y,layer.trainable_weights))

可训练的权重仍然是它们所需要的，但对于梯度，我得到了 None。 将常数张量更改为 tf.Variable 无济于事。

如果我尝试用 tf.GradientTape() 做一些类似的事情，如果我将变量与梯度磁带中的向量相乘，我会得到正确的梯度，但如果在磁带之前进行向量变量乘法，则不会得到梯度。因此，在图层中，当将变量与向量相乘时，我的渐变似乎还没有被记录下来。我该如何解决这个问题？