问题描述
我正在实施一个客户操作,必须计算其梯度。函数如下:
def difference(prod,box):
result = tf.Variable(tf.zeros((prod.shape[0],box.shape[1]),dtype=tf.float16))
for i in tf.range(0,prod.shape[0]):
for j in tf.range(0,box.shape[1]):
result[i,j].assign((tf.reduce_prod(box[:,j])-tf.reduce_prod(prod[i,:]))/tf.reduce_prod(box[:,j]))
return result
我无法计算相对于盒子的梯度,tape.gradient()返回None,这是我编写的用于计算梯度的代码
prod = tf.constant([[3,4,5],[4,5,6],[1,3,3]],dtype=tf.float16)
box = tf.Variable([[4,[5,7]],dtype=tf.float16)
with tf.GradientTape() as tape:
tape.watch(box)
loss = difference(prod,box)
print(tape.gradient(loss,box))
我无法找到未连接的渐变的原因。是 result 变量引起的吗?请提出一种替代实施方式。
解决方法
是的,为了计算梯度,我们需要对变量进行一组(可微分)运算。
您应该根据2个输入张量重写difference
。我认为(尽管很坦率地说,我不是100%肯定!)是使用“赋值”使渐变色带掉下来的。
也许是这样的:
def difference(prod,box):
box_red = tf.reduce_prod(box,axis=0)
prod_red = tf.reduce_prod(prod,axis=1)
return (tf.expand_dims(box_red,0) - tf.expand_dims(prod_red,1)) / tf.expand_dims(box_red,0)
将为您带来预期的结果