Tensorflow无法通过变量获得渐变，但可以使用Tensor

Question

我感兴趣的是计算从TensorFlow中的矩阵乘法与Eager执行的乘积计算的损失梯度。 如果将产品计算为张量，我可以这样做，但如果它是为变量assign() ，则不能。 这是大大减少的代码：

import tensorflow as tf
import numpy as np
tf.enable_eager_execution()

multipliers_net = tf.get_variable("multipliers", shape=(1, 3, 3, 1),
                                  initializer=tf.random_normal_initializer())
activations_net = tf.Variable(tf.ones_like(multipliers_net))
output_indices = [(0, 1, 2, 0)]

def step():
    global activations_net

    #### PROBLEMATIC ####
    activations_net.assign(multipliers_net * activations_net)
    #### NO PROBLEM ####
    # activations_net = multipliers_net * activations_net

    return tf.gather_nd(activations_net, output_indices)


def train(targets):
    for y in targets:
        with tf.GradientTape() as tape:
            out = step()
            print("OUT", out)
            loss = tf.reduce_mean(tf.square(y - out))
            print("LOSS", loss)
        de_dm = tape.gradient(loss, multipliers_net)
        print("GRADIENT", de_dm, sep="\n")
        multipliers_net.assign(LEARNING_RATE * de_dm)


targets = [[2], [3], [4], [5]]

train(targets)

目前，此代码将显示正确的OUT和LOSS值， 但GRADIENT将打印为None 。 但是，如果注释“问题”下方的行并且取消注释“无问题”，则计算梯度就好了。 我推断这是因为在第二种情况下， activations_net变成了Tensor，但我不知道为什么突然使梯度可计算，而在它之前没有。

我很确定我应该将activations_net和multiplier_net保留为变量，因为在更大的方案中，两者都是动态更新的，据我所知，这些东西最好保存为变量而不是不断重新分配Tensors。

Answer 1

我会尽力解释。 问题出现在这一行

de_dm = tape.gradient(loss, multipliers_net)

如果你在“问题”和“无问题”的情况下print(tape.watched_variables() ，你会看到在第一种情况下磁带' tape.reset() '两次相同的multipliers_net变量。你可以尝试tape.reset()和tape.watch() ，但只要你将op传递给它就没有任何效果。如果你在tf.GradientTape()尝试multipliers_net.assign(any_variable) tf.GradientTape() ，你会发现它不起作用。但如果你尝试分配产生张量的东西，例如tf.ones_like() ，它会起作用。

multipliers_net.assign(LEARNING_RATE * de_dm)

这也是出于同样的原因。 它似乎只接受eager_tensors希望这会eager_tensors帮助