Tensorflow.js神经网络中的反向传播

问题描述

当我尝试在我的代码中实现此功能tf.train.stg(learningRate).minimize(loss)以便进行反向传播时。我遇到了多个错误，例如在variableGrads（f）中传递的f必须是一个函数。我如何将上述功能成功实现到下面的代码中？为什么会出现此错误？

神经网络：

    var X = tf.tensor([[1,2,3],[4,5,6],[7,8,9],[10,11,12]])
    var Y = tf.tensor([[0,0],[0,[1,1,1]])
    var m = X.shape[0]
    var a0 = tf.zeros([1,3])
    var y_hat = tf.zeros([1,3])
    var parameters = {
        "Wax": tf.randomUniform([1,3]),"Waa": tf.randomUniform([3,"ba": tf.zeros([1,"Wya": tf.randomUniform([3,"by": tf.zeros([1,3])
    }

   

    function RNN_cell_Foward(xt,a_prev,parameters){
        var Wax = parameters["Wax"]
        var Waa = parameters["Waa"]
        var ba = parameters["ba"]

        var a_next = tf.sigmoid(tf.add(tf.add(tf.matMul(xt,Wax),tf.matMul(a_prev,Waa)),ba))

        return a_next
    }
    function RNN_FowardProp(X,a0,parameters){
        var T_x  = X.shape[0]
        var a_next = a0
        var i = 1
        var Wya = parameters["Wya"]
        var by = parameters["by"]
        var l = 1
        
        
        for(; i <= T_x; i++){
            var X_i = X.slice([i-1,-1])
            for(; l <= X.shape[1]; l++){
                var xt = X_i.slice([0,l-1],1])
                var a_next = RNN_cell_Foward(xt,a_next,parameters)
            }
            var y_pred = tf.sigmoid((tf.add(tf.matMul(a_next,Wya),by)))
            l = 1
            
            if (i == 1){
                var y_pred1 = y_pred
            } else if (i == 2) {
                var y_pred2 = y_pred
            } else if (i == 3) {
                var y_pred3 = y_pred
            }
            
            
        }
        var y_predx = tf.concat([y_pred1,y_pred2,y_pred3])
        return y_predx
    }
        const learningRate = 0.01;
        var optimizer = tf.train.sgd(learningRate);
        var model = RNN_FowardProp(X,parameters)
        var loss = tf.losses.meanSquaredError(Y,model)
    
    
    
        for (let f = 0; f < 10; f++) {
            optimizer.minimize(loss)
        }

这是一种用于情感分类的神经网络，具有多对一的结构。

解决方法

错误说明了一切

在variableGrads（f）中传递的f必须是一个函数

optimizer.minimize期望函数作为参数而不是张量。由于代码正在尝试将meanSquaredError最小化，因此the argument中的minimize可以是一个计算预测值和预期值之间的meanSquaredError的函数。

const loss = (pred,label) => pred.sub(label).square().mean();

for (let f = 0; f < 10; f++) {
            optimizer.minimize(() => tf.losses.meanSquaredError(Y,model))
}

它可以解决问题吗，还没有完全解决？该错误将因以下原因而改变：

variableGrads() expects at least one of the input variables to be trainable

是什么意思？使用优化器时，它期望作为参数传递的函数包含变量，变量的值将更新为函数输出的minimize。

这是要进行的更改：

var Y = tf.tensor([[0,0],[0,[1,1,1]]).variable() // a variable instead

// var loss = tf.losses.meanSquaredError(Y,model)
// computed below in the minimize function

const learningRate = 0.01;
var optimizer = tf.train.sgd(learningRate);
var model = RNN_FowardProp(X,a0,parameters);

const loss = (pred,label) => pred.sub(label).square().mean();
for (let f = 0; f < 10; f++) {
    optimizer.minimize(() => tf.losses.meanSquaredError(Y,model))
}