将 tf.gradients 转换为张量类型

Question

我使用的是 tensorflow 1.14.0。我想知道如何将强制转换列表输入张量。尝试使用 tf.convert_to_tensor() 时出现此错误。感谢任何帮助

无法将类型对象转换为张量。内容：[无]。考虑将元素转换为支持的类型。

这是我的代码

def testtf4():
    x = tf.placeholder(tf.float32, shape=[None])
    y = tf.placeholder(tf.float32, shape=[None])
    op = tf.placeholder(tf.float32, shape=[None,3])

    print("\nshape of x,y", x.shape, y.shape)
    arr = np.genfromtxt("C:\\Data\\Training_and_codes\\ML\\TF Samples\\Data.csv", delimiter=",");
    gradmulx_op = tf.gradients(op[:,0],x)
    gradmuly_op = tf.gradients(op[:,0],y)
    tgradmulx_op = tf.convert_to_tensor(gradmulx_op)
    tgradmuly_op = tf.convert_to_tensor(gradmuly_op)
    print("\nshape of gradmul tensors", tgradmulx_op.shape, tgradmuly_op.shape)

    with tf.Session() as sess:
        print("started session......\n")
        input_feed={}
        input_feed[x]=arr[:,0]
        input_feed[y]=arr[:,1]
        input_feed[op]=arr[:,2:4]
        [gradx, grady] = sess.run([tgradmulx_op, tgradmuly_op],input_feed)
        print("x gradient",gradx) 
        print("y gradient",grady) 

Answer 1

您的问题与tf.convert_to_tensor 无关，而是您尝试计算一些不存在的梯度这一事实。你有这两个占位符：

x = tf.placeholder(tf.float32, shape=[None])
op = tf.placeholder(tf.float32, shape=[None, 3])

然后您尝试获得以下渐变：

gradmulx_op = tf.gradients(op[:, 0], x)
gradmuly_op = tf.gradients(op[:, 0], y)

要使这些梯度存在（即不是None），op[:, 0] 的值必须是使用x 和y 进行的一项或多项可微运算的结果。例如，如果 op 被定义为：

op = tf.stack([2 * x + 3 * y, x - 1, 2 * y + 2], axis=1)

然后它会起作用，因为op[:, 0] 将根据x 和y（可能还有其他值）计算，所以张量之间存在梯度。或者，换一种说法，更改x 或y 会更改op[:, 0] 的值。 TensorFlow 会跟踪用于计算每个值的操作，并使用该信息自动计算梯度。

但是op不是从x和y计算出来的，实际上它不是从任何东西计算出来的，因为它是一个占位符，它只是一个给定的值。 x 或 y 的更改不会导致 op 的更改。所以这些张量之间没有梯度。我不确定你想用你的代码实现什么，但你可能需要重新考虑你想要计算的结果到底是什么。