优化器的雅可比计算

问题描述

我在 tensorflow 中实现了一个扩展的卡尔曼滤波器优化器。我必须根据模型生成的预测计算雅可比而不是梯度。该模型正在生成一个热图，其中包含从不同视角检测到的对象，并将其放置在单个热图上。 我正在为渐变胶带使用以下循环：

image,label = inputs
with tf.GradientTape(persistent=True) as tape:
      predictions = self(image)
      loss = self.compiled_loss(label,predictions,regularization_losses=self.losses)
    
Hs = tape.jacobian(predictions,self.trainable_variables)

雅可比计算花费了太多时间。我的输出即预测大小是 177x152（热图图像）。我知道它正在创建一个 26907 个元素的矩阵。但是磁带不应该帮助雅可比更快地计算吗？我对 jacobian 的实现是错误的吗？或者这仅仅是计算二阶导数的缺点？

解决方法

暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！

如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。

小编邮箱:dio#foxmail.com (将#修改为@）