使用 GradientTape 训练基本的 TensorFlow Model

Question

仅出于教育目的，我试图在 TensorFlow 主页上的基本训练循环教程的基础上创建一个简单的神经网络，用于对平面中的点进行分类。

因此，我将[0,1]x[0,1]中的一些点存储在形状为(250, 2, 1)的张量x中，并将相应的标签(1. or 0.)存储在形状为y的张量中(250,1,1) 。 然后我做

import tensorflow as tf

w0 = tf.Variable(tf.random.normal([4,2]), name = 'w0')
w1 = tf.Variable(tf.random.normal([1,4]), name = 'w1')
b1 = tf.Variable(tf.zeros([4,1]), name = 'b1')
b2 = tf.Variable(tf.zeros([1,1]), name = 'b2')

loss = tf.keras.losses.CategoricalCrossentropy()

def forward(x):
  x0 = x
  z1 = tf.matmul(w0, x0) + b1
  x1 = tf.nn.relu(z1)
  z2 = tf.matmul(w1, x1) + b2
  x2 = tf.nn.sigmoid(z2)
  return x2

with tf.GradientTape() as t:
    current_loss = loss(y, forward(x))

gradients = t.gradient(current_loss, [b1, b2, w0, w1])

我得到的是一个预期形状的张量列表，但只包含零。 有人给点建议吗？

Answer 1

出现问题是因为标签/预测没有预期的形状。 In particular, the loss function tf.keras.losses.CategoricalCrossentropy expects labels to be provided in a one-hot representation, but your labels and predictions have shape (250, 1, 1) and the behaviour of the loss function is unclear in this情况。 改用 tf.keras.losses.BinaryCrossentropy应该可以解决问题。