使用 GradientTape 训练基本的 TensorFlow 模型

问题描述

仅出于教育目的，我试图在 TensorFlow 主页上的 Basic training loops 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 x 的张量 (250,2,1) 中，并将相应的标签 (1. or 0.) 存储在 y 的张量中形状 (250,1,1)。那我做

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,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])

我得到的是预期形状的张量列表，但只包含零。有人给点建议吗？

解决方法

出现问题是因为标签/预测没有预期的形状。特别是，损失函数 tf.keras.losses.CategoricalCrossentropy 期望以单热表示提供标签，但您的标签和预测具有形状 (250,1,1)，并且在这种情况下损失函数的行为不清楚。改用 tf.keras.losses.BinaryCrossentropy 应该可以解决问题。