问题描述
我编写了一个函数，该函数以与Upsampling2D不同的方式进行升采样。我将此函数包装在tf.py_function中，然后将其包装在Lambda层中以避免ValueError: UnkNown graph. Aborting.。
但是py_function需要梯度函数才能起作用，因为它在反向传播中返回None。
Invalid argument: Inputs to operation gradient_tape/SegNet/activation_23/ReluGrad of type ReluGrad must have the same size and shape. Input 0: [] != input 1: [16,16,32,32]
conv_24 = Activation("relu")(conv_24)
unpool_5 = Lambda(unpoolWrapper)(conv_24)
unpool_5 = Lambda(adjustShape,arguments={'oldshape': conv_24.shape})(unpool_5)
conv_25 = Conv2D(16,(5,5),kernel_initializer='he_normal',padding='same',data_format='channels_first')(unpool_5)
问题在第一个Lambda内部。
def unpoolWrapper(tensor):
return py_func(unpool,[tensor],Tout=tf.float32)
我正在遵循此code来解决渐变问题。 但是我不是专家，所以我不知道如何为这种层计算梯度。它只是进行上采样操作，没有需要学习的参数。有人可以建议我为此使用梯度函数吗？谢谢
def py_func(func,inp,Tout,grad=None):
# Need to generate a unique name to avoid duplicates:
rnd_name = 'PyFuncGrad' + str(np.random.randint(0,1E+8))
tf.RegisterGradient(rnd_name)(grad) # see _MySquareGrad for grad example
g = tf.compat.v1.get_default_graph()
with g.gradient_override_map({"PyFunc": rnd_name}):
return tf.py_function(func,Tout)
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@）