[英]How to properly apply gradients in TensorFlow v2.0
我正在尝试重现一些以前基于TensorFlow v1.x
但使用TensorFlow v2.0
神经转移教程。 出于某种原因,我相信由于某些数据格式,我无法使用Adam optimizer
应用梯度。 源代码非常大,所以我试图只提供最相关的行,但如果有人询问完整代码,我会在此处添加。
这是优化器
opt = tf.optimizers.Adam(learning_rate = 5, beta_1 = 0.99, epsilon = 1e-1)
当我尝试将梯度应用于初始变量时
opt.apply_gradients(zip(grads, init_image))
我收到错误
!opt.apply_gradients(zip(grads, init_image))
*** TypeError: zip argument #2 must support iteration
这些是 zip 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)>
正如你所看到的,形状和它应该是一样的, numpy
里面的值是一些真实的值,而不是nans
或类似的东西。
梯度计算如下:
with tf.GradientTape() as tape:
...computing all_loss...
total_loss = all_loss[0]
grads = tape.gradient(total_loss, init_image)
请提出任何建议。
这应该很容易解决 - 问题是您需要将渐变/变量打包在列表中才能使zip
工作。 所以简单地使用
opt.apply_gradients(zip([grads], [init_image]))
添加一些解释——您的代码可能会在 Eager 模式下运行而不会崩溃,但它可能会产生不正确的结果(必须对此进行测试)。 使用tf.function
时它肯定会崩溃(从您提供的代码中不清楚您是否使用它),因为张量在图形模式下不可迭代。 通过将它们包装在列表中,zip 现在可以遍历它们(即使只有一个元素)。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.