大致思路如下：
模型A 预测输入x的标签y_pred
模型B 根据输入的y_pred和真实标签y输出一个数值loss_A作为模型A 的损失
根据loss_A计算模型A的梯度，并更新模型A
更新的A重新预测x的标签，为y_pred_new
此时计算y和y_pred_new的交叉熵损失loss，更新模型B，但是在loss对模型B的求梯度时，梯度全为none
请问该如何修改下面代码才能实现这个功能？
代码如下
ModelA(x) # param: theta
# 网络#
return y_pred
ModelB(y, y_pred) # param: beta
# 网络 #
return z # 该代码中z作为modelA的loss更新A
with tf.GradientTape() as tape_1:
with tf.GrandientTape() as tape:
y_pred = ModelA(x)
loss_A = ModelB(y, y_pred)
grads = tape.gradient(loss_A, ModelA.trainable_variables)
optimizer.apply_gradients(zip(grads, ModelA.trainable_variables)
y_pred_new = ModelA(x)
loss = categorical_crossentropy(y, y_pred_new)
grads_1 = tape_1.gradient(loss, ModelB.trainable_variables) # ！！！！此处出现问题，梯度全为none
optimizer.apply_gradients(zip(grads_1, ModelB.trainable_variables)
公式过程大致如下
