tf.GradientTape 与外部产品返回无

Question

我试图在计算损失函数之前对模型的预测进行后处理，因为我的真实数据 (y_train) 是 NN 输出的外积。我已按照以下步骤操作：

1. 我知道我正在尝试使用 numpy 进行的操作是：

nX = 201
nT = 101
nNNout = nX+nT
nBatch = 32

NNout = np.random.rand(nBatch, nNNout)

f = NNout[:, :nX]
g = NNout[:,nX:]

test = np.empty([nBatch, nX*nT])

for i in range(nBatch):
    test[i,:] = np.outer(f[i,:], g[i,:]).flatten('F')

NN 输出包含 f 和 g。我真正需要的是每个批次实例的 f 和 g 外积的矢量化版本。

1. 我在一个紧凑的 tensorflow 操作中将其翻译为：

test2 = tf.Variable([tf.reshape(tf.transpose(tf.tensordot(f[i,:],g[i,:], axes=0)),[nX*nT]) for i in range(nBatch)])

我检查过它是正确的，并且输出的值与步骤 1 中的值相同。

1. 然后，我只是想在我的模型预测之后将此操作添加为：

    n_epochs = 20
    batch_size = 32
    n_steps = len(x_train) // batch_size
    optimizer = keras.optimizers.Nadam(learning_rate=0.01)
    loss_fn = keras.losses.mean_squared_error
    mean_loss = keras.metrics.Mean()
    metrics = [keras.metrics.MeanAbsoluteError()]

    # ------------ Training ------------
    for epoch in range(1, n_epochs + 1):
        print("Epoch {}/{}".format(epoch, n_epochs))
        for step in range(1, n_steps + 1):
            X_batch, y_batch = random_batch(x_train, np.array(y_train))
            with tf.GradientTape() as tape:
                y_pred = model(X_batch, training=True)
                u_pred = tf.Variable([tf.reshape(tf.transpose(tf.tensordot(y_pred[i, :nX], y_pred[i, nX:], axes=0)), [nX * nT]) for i in
                             range(batch_size)])
                main_loss = tf.reduce_mean(loss_fn(y_batch, u_pred))
                loss = tf.add_n([main_loss] + model.losses)
            gradients = tape.gradient(loss, model.trainable_variables) 

我的主要问题是，当我添加操作时，渐变会变成一个无列表。如果我简单地使用模型的预测 (y_pred) 计算损失函数，则代码能够计算梯度。

你能帮我找出我在这里犯的错误吗？

Answer 1

您正在 u_pred 中创建一个新的（可训练的）变量，从而打破了 u_pred 对 y_pred 的任何依赖。值匹配的原因是因为您使用预测初始化新变量，但它不再有功能相互依赖，没有梯度流动。

我猜你这样做是因为你需要一个 tf.Tensor 而不是一个列表，你最终会遇到类型错误。你可能想在tf.concatenate 中使用一些东西，而不是tf.Variable。