梯度为none表示loss与变量间无可微路径，主因是变量未参与前向计算、作用域不匹配、watch调用顺序错误、batch_norm训练参数错配或tensor转numpy导致计算图断裂。
梯度为 None 不代表计算失败，而是说明 TensorFlow 没有找到从 loss 到该 Variable 的可微路径——最常见原因就是变量不在当前作用域内被正确捕获，或根本没参与前向计算。
compute_gradients 返回部分梯度为 None
调用 opt.compute_gradients(loss) 后，返回的列表形如 [(grad0, var0), (None, var1), (grad2, var2)...]，其中 None 对应的 var1 实际上压根没参与 loss 的计算图构建。
- 典型诱因：定义了
Variable但没在前向函数中使用（比如写了个没被调用的层、手动创建却未接入图） - 更隐蔽的情况：变量在
tf.name_scope或tf.variable_scope中创建，但前向逻辑在另一个 scope 下运行，导致 tape / optimizer 看不到关联 - 解决方案不是“过滤掉 None”，而是显式限定变量范围：
opt.compute_gradients(loss, var_list=[v for v in tf.trainable_variables() if 'my_layer' in v.name]) - 验证是否真被使用：打印
tf.trainable_variables()，再检查每个变量名是否出现在 loss 的tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES)中
GradientTape.watch() 调用顺序错误
tf.GradientTape 不会自动追踪所有 tf.Variable，必须显式 tape.watch()；但这个调用必须在任何依赖它的运算之前执行，否则 tape 不知道该记录什么。
- 错误写法：
y = x * x; tape.watch(x)→tape.gradient(y, x)返回None - 正确写法：先
tape.watch(x)，再算y = x * x - 注意：
tf.constant默认不被追踪，必须tape.watch()；而tf.Variable默认被追踪，但若你手动改过trainable=False，也要重新 watch - 调试技巧：在
tape.gradient()前加print(tape.watched_variables())，确认目标变量确实在列表里
batch_norm 和 is_training 参数错配
使用 tf.layers.batch_normalization 或 slim.batch_norm 时，is_training 设为 False 会导致前向输出与训练参数解耦，loss 对这些参数不可导。
- 训练阶段必须设
is_training=True，哪怕你用的是tf.keras.layers.BatchNormalization，也要确保training=True传入 - 常见陷阱：在自定义
call()中漏传training参数，或用@tf.function包裹后忘了把training作为 input_signature - 验证方式：打印 batch norm 层的
moving_mean和moving_variance是否随 step 更新；如果不更新，大概率是is_training=False导致梯度断开
Tensor 被转成 numpy 或脱离图结构
任何将 tf.Tensor 转为 numpy、list、int 等原生类型的操作，都会切断计算图——因为 numpy 是静态值，无法反向传播。
- 典型错误：
for x_i in inputs.numpy(): ...、tf.print(x.numpy())、np.array(x) - 替代方案：用
tf.map_fn、tf.while_loop或向量化操作代替 Python 循环 - 特别注意
tf.keras.backend.switch、tf.cond内部如果用了 numpy，也会让分支不可导；优先用tf.where - 调试提示：在疑似断点前后插入
assert hasattr(x, 'backprop') or isinstance(x, tf.Tensor)（虽然没这个属性，但可用hasattr(x, 'op')判断是否还在图中）
真正难排查的从来不是 None 本身，而是它出现的位置和上下文不一致——比如你在 model 里看到某个 Variable 明明用了，但 compute_gradients 还是返回 None，这时候要顺藤摸瓜查它是不是被另一个同名 scope 里的副本覆盖了，或者被 reuse=True 误复用导致实际没建新参。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
