我试图重现一个之前基于TensorFlow v1.x的神经传输教程，但使用TensorFlow v2.0。由于某些原因，我无法使用Adam优化器应用梯度，我认为这是由于某种数据格式问题。源代码相当大，所以我尽量只提供最相关的代码行，但如果有人需要完整代码，我会在这里添加。
这是优化器
opt = tf.optimizers.Adam(learning_rate = 5, beta_1 = 0.99, epsilon = 1e-1)当我尝试使用以下代码对初始变量应用梯度时
opt.apply_gradients(zip(grads, init_image))我得到了错误
!opt.apply_gradients(zip(grads, init_image))*** TypeError: zip argument #2 must support iteration这些是zip的参数:
init_image<tf.Variable 'Variable:0' shape=(1, 345, 512, 3) dtype=float32, numpy=array([[[[...]]]], dtype=float32)>grads<tf.Tensor: shape=(1, 345, 512, 3), dtype=float32, numpy=array([[[[...]]]], dtype=float32)>如您所见，形状与应有的形状相同，numpy中的值是一些真实值，而不是nans或类似的东西。
梯度是通过以下方式计算的:
with tf.GradientTape() as tape: ...computing all_loss... total_loss = all_loss[0] grads = tape.gradient(total_loss, init_image)请提供一些建议。
回答：
这个问题应该很容易解决——问题在于您需要将梯度/变量打包到列表中，以便zip能够工作。因此，只需使用
opt.apply_gradients(zip([grads], [init_image]))添加一些解释——您的代码在急切模式下可能不会崩溃，但可能会产生错误的结果（需要测试这一点）。如果使用tf.function，它肯定会崩溃（从您提供的代码中不清楚您是否使用了这个），因为在图模式下张量是不可迭代的。通过将它们包装在列表中，zip现在可以迭代这些列表（尽管只有一个元素）。
