使用张量计算错误值的梯度下降

Question

我正在使用张量实现简单的梯度下降算法。它学习了两个参数 m 和 c。
它的正常python代码是：

for i in range(epochs): 
    Y_pred = m*X + c  # The current predicted value of Y
    D_m = (-2/n) * sum(X * (Y - Y_pred))  # Derivative wrt m
    D_c = (-2/n) * sum(Y - Y_pred)  # Derivative wrt c
    m = m - L * D_m  # Update m
    c = c - L * D_c  # Update c
    print (m, c) 

python 的输出：

0.7424335285442664 0.014629895049575754
1.1126970531591416 0.021962519495058154
1.2973530613155333 0.025655870599552183
1.3894434413955663 0.027534253868790198
1.4353697670010162 0.028507481513901086

Tensorflow 等效代码：

#Graph of gradient descent
y_pred = m*x + c
d_m = (-2/n) * tf.reduce_sum(x*(y-y_pred)) 
d_c = (-2/n) * tf.reduce_sum(y-y_pred)  
upm = tf.assign(m, m - learning_rate * d_m)
upc = tf.assign(c, c - learning_rate * d_c)

#starting session
sess = tf.Session()

#Training for epochs
for i in range(epochs):
    sess.run(y_pred)
    sess.run(d_m)
    sess.run(d_c)
    sess.run(upm)
    sess.run(upc)
    w = sess.run(m)
    b = sess.run(c)
    print(w,b)

张量流的输出：

0.7424335285442664 0.007335550424492317
1.1127687194584988 0.011031122807663662
1.2974962163433057 0.012911024540805463
1.3896400798226038 0.013885244876397126
1.4356019721347115 0.014407698787092268

参数 m 具有相同的值，但 参数 c 具有不同的值，尽管两者的实现是相同的。
输出包含参数 m 和 c 的前 5 个值。使用张量的参数 c 的输出大约是普通 python 的一半。
我不知道我的错误在哪里。

要重新创建整个输出： Repo containing data along with both implementations

repo 还包含通过 tensorboard 在 events 目录中获得的图形图像

Answer 1

问题在于，在 TF 实现中，更新不是原子执行的。换句话说，算法的实现是以交错的方式更新m和c（例如，在更新c时使用m的新值）。要使更新原子化，您应该同时运行upm 和upc：

sess.run([upm, upc])