tf.VariableGPflow对每个参数（例如内核的参数）使用一个参数lengthscales，而 TensorFlow 只允许您更改trainable整个变量的状态。对于任意维度，每个维度都有一个单独的参数并不容易实现，但您可以轻松地将所需的内核子类化并lengthscales使用属性覆盖，如下所示：

import gpflow
import tensorflow as tf

class MyKernel(gpflow.kernels.SquaredExponential):  # or whichever kernel you want
    @property
    def lengthscales(self) -> tf.Tensor:
        return tf.stack([self.lengthscale_0, self.lengthscale_1])

    @lengthscales.setter
    def lengthscales(self, value):
        self.lengthscale_0 = gpflow.Parameter(value[0], transform=gpflow.utilities.positive())
        self.lengthscale_1 = value[1]  # fixed

然后，您只需使用即可k = MyKernel(lengthscales=[24*5, 1e-5])。 (尽管 1e-5 的长度尺度看起来不正确！但这超出了本问题的范围。)

这是可行的，因为超类__init__（在gpflow.kernels.Stationary中）分配了self.lengthscales = Parameter(lengthscales, transform=positive())，因此在这个自定义类中，它反而调用属性设置器，进而创建两个单独的属性。然后，属性获取器将它们重新拼接在一起，用于实际需要二维向量的方法。