使用佔位符作爲tensorflow變量（越來越錯誤！）

Question

我試圖在圖中使用佔位符作爲變量（所以我可以稍後優化與它有關的東西），但我不知道最好的方法來做到這一點。我已經試過這樣： x = tf.placeholder(tf.float32, shape = [None,1]) x_as_variable = tf.Variable(x, validate_shape = False)

，但每次我建立我的圖表中，我得到一個錯誤，當我嘗試添加自己的損失函數： train = tf.train.AdamOptimizer().minimize(MSEloss)

的錯誤是： ValueError異常：as_list（）不定義在一個未知的TensorShape上。

即使你完全不熟悉這個錯誤，如果你可以指導我如何構建一個佔位符值的複製變量，我將非常感激。 謝謝！

Answer 1

正如你已經注意到，TensorFlow優化（即tf.train.Optimizer子類）上tf.Variable對象進行操作，因爲他們需要能夠爲新值分配給這些對象，並在TensorFlow唯一變量支持分配運算。如果您使用tf.placeholder()，則無需更新，因爲佔位符的值在每個步驟中都是不可變的。

那麼如何優化一個fed-in值？我能想到的兩個選項：

1. 相反餵養tf.placeholder()，你可以先指定一個饋入的值的變量，然後針對其優化：

   var = tf.Variable(...) 
   set_var_placeholder = tf.placeholder(tf.float32, ...) 
   set_var_op = var.assign(set_var_placeholder) 
   # ... 
   train_op = tf.train.AdamOptimizer(...).minimize(mse_loss, var_list=[var, ...]) 
   
   # ... 
   initial_val = ... # A NumPy array. 
   sess.run(set_var_op, feed_dict={set_var_placeholder: initial_val}) 
   sess.run(train_op) 
   updated_val = sess.run(var) 
   

2. 你可以使用底層tf.gradients()函數可以在單個步驟中獲取相對於佔位符的損失梯度。然後，您可以使用梯度的Python：

   var = tf.placeholder(tf.float32, ...) 
   # ... 
   mse_loss = ... 
   var_grad, = tf.gradients(loss, [var]) 
   
   var_grad_val = sess.run(var_grad, feed_dict={var: ...}) 
   

---

PS。您的問題中定義tf.Variable(tf.placeholder(...), ...)的代碼只是定義了一個變量，其初始值由佔位符提供。這可能不是你想要的，因爲優化器創建的訓練只會使用分配給該變量的值，並忽略提供給佔位符的任何內容（在初始化步驟之後）。