TensorFlow 2.0在使用GradientTape的dtype=int32上返回意外输出
TensorFlow是一个流行的人工智能和深度学习开源框架。它提供了丰富的工具和函数库，可用于构建和训练各种机器学习模型。
在TensorFlow 2.0中，GradientTape是一个用于自动求导的API。它允许用户在计算过程中记录操作，以便后续计算梯度。通常情况下，GradientTape应该能够处理各种数据类型，并返回正确的结果。然而，在使用dtype=int32时，可能会遇到一些意外输出。
这个问题可能是由于在使用GradientTape时，将dtype参数设置为了int32导致的。int32是一种数据类型，表示32位有符号整数。在某些情况下，TensorFlow可能无法正确处理此数据类型，导致意外的输出结果。
为了解决这个问题，我们可以尝试以下几个方法：
- 更改数据类型：尝试将dtype参数设置为其他合适的数据类型，例如float32或float64，以查看是否可以得到预期的结果。
- 更新TensorFlow版本：检查是否有新的TensorFlow版本可用，并尝试更新到最新版本，以查看是否已修复这个问题。
- 检查操作：确保在使用GradientTape时，没有使用不支持int32数据类型的操作。有时候，某些操作可能不支持特定的数据类型，这可能导致意外输出。
- 寻求帮助：如果以上方法都无法解决问题，可以在TensorFlow的官方论坛或社区中提问，寻求其他开发者的帮助和建议。
推荐的腾讯云相关产品和产品介绍链接地址如下：
- 腾讯云AI Lab：https://cloud.tencent.com/solution/ailab
- 腾讯云机器学习平台：https://cloud.tencent.com/product/tensorflow
- 腾讯云人工智能：https://cloud.tencent.com/solution/ai
- 腾讯云云服务器（CVM）：https://cloud.tencent.com/product/cvm
- 腾讯云弹性MapReduce：https://cloud.tencent.com/product/emr
- 腾讯云数据库：https://cloud.tencent.com/product/cdb
- 腾讯云容器服务：https://cloud.tencent.com/product/ccs
- 腾讯云对象存储（COS）：https://cloud.tencent.com/product/cos
- 腾讯云区块链服务：https://cloud.tencent.com/product/bcs
- 腾讯云云游戏引擎（GSE）：https://cloud.tencent.com/product/gse
请注意，以上链接仅作为参考，具体产品选择应根据需求和实际情况进行评估和决策。
相关·内容
我正在使用Python中的GradientTape()和jacobian()在Tensorflow 2.0中。
此代码执行得很好：
x = tf.Variable(2.0, dtype=tf.float32)
with tf.GradientTape() as gT:
gT.watch(x)
g = tf.convert_to_tensor([x, 0.0], dtype=tf.float32)
dg = gT.jacobian(g, x)
但这段代码破坏了：
x = tf.Variable(2.0, dtype=tf.float32)
with tf.GradientTape
浏览 3提问于2020-01-04得票数 0
在TensorFlow2.0中，TensorFlow2.0不支持tf.gradients，并且GradientTape只计算可训练权重的梯度，那么如何像TF1.0那样获得输入的梯度？谢谢，如果我说错了，请纠正我。
浏览 1提问于2020-01-14得票数 1
我有一个经过训练的Tensorflow 2.0模型(来自tf.keras.Sequential())，它采用一个输入层，有26列(X)，并生成一个带有1列(Y)的输出层。
在Tf1.x中，我能够通过以下方法计算输出相对于输入的梯度：
model = load_model('mymodel.h5')
sess = K.get_session()
grad_func = tf.gradients(model.output, model.input)
gradients = sess.run(grad_func, feed_dict={model.input: X})[0]
在TF2
浏览 19提问于2019-12-02得票数 8
回答已采纳
我刚接触过Tensorflow，所以这可能是个假问题。我试图弄清楚tf.GradientTape()在做什么，但我不太明白它是如何记录这些操作的。下面是我尝试过的代码：
mean = tf.keras.metrics.Mean()
xs = tf.constant([2.0, 3.0, 4.0])
for x in xs:
with tf.GradientTape() as g:
y = x * x
print(y, mean(y))
下面是输出：
tf.Tensor(4.0, shape=(), dtype=float32) tf.Tensor(4.0, shape=(),
浏览 0提问于2020-07-24得票数 2
回答已采纳
我不知道如何在TensorFlow2中的AutoGraph上运行GradientTape代码。 我想在TPU上运行GradientTape代码。我想从在CPU上测试它开始。使用AutoGraph，TPU代码的运行速度会快得多。我尝试观察输入变量，并尝试将参数传递给包含GradientTape的函数，但都失败了。 我在这里做了一个可重现的例子：https://colab.research.google.com/drive/1luCk7t5SOcDHQC6YTzJzpSixIqHy_76b#scrollTo=9OQUYQtTTYIt 代码和相应的输出如下所示:它们都以import tensorf
浏览 13提问于2019-09-07得票数 2
回答已采纳
我想知道如何通过tf2.0中的tf.py_function计算高阶梯度。下面的示例(从tensorflow doc中略作修改)生成正确的dy_dx，而aa_x为None。谢谢。
import tensorflow as tf
import os
def huber(x, delta):
if tf.abs(x) <= delta:
return x*x/ (2*delta)
else:
return tf.abs(x)-delta/2.0
x = tf.constant ([2.0 ] )
z = tf.constant ([1.0 ]
浏览 0提问于2020-03-20得票数 1
回答已采纳
我无法从安装了tensorflow 2.0的tensorflow中复制。
这是最初的片段：
# A high-dimensional quadratic bowl.
ndims = 60
minimum = np.ones([ndims], dtype='float64')
scales = np.arange(ndims, dtype='float64') + 1.0
# The objective function and the gradient.
def quadratic(x):
value = tf.reduce_sum(scales *
浏览 8提问于2019-10-28得票数 2
回答已采纳
下面是我尝试运行的一段代码：
import tensorflow as tf
a = tf.constant([[1, 2], [2, 3]], dtype=tf.float32)
b = tf.constant([[1, 2], [2, 3]], dtype=tf.float32)
with tf.GradientTape() as tape1, tf.GradientTape() as tape2:
tape1.watch(a)
tape2.watch(a)
c = a * b
grad1 = tape1.gradient(c, a)
grad2 =
浏览 10提问于2020-08-03得票数 2
在TensorFlow <2中，可以使用tf.keras.backend.function简洁地实现DDPG参与者的培训功能如下：
critic_output = self.critic([self.actor(state_input), state_input])
actor_updates = self.optimizer_actor.get_updates(params=self.actor.trainable_weights,
loss=-tf.keras.backend.mean(
浏览 5提问于2019-02-24得票数 4
我理解，只要我在tf.GradientTape()上下文中定义一个计算，梯度磁带就会计算出计算输出所依赖的所有变量。但是，我认为我并没有完全理解梯度的子属性，因为下面的代码没有像我期望的那样执行：
import tensorflow as tf
x = tf.Variable(2.)
loss_ = x**2-2*x+1
with tf.GradientTape(persistent=True) as g:
loss = loss_*1
print(g.gradient(loss,x))
output: None
为什么不计算梯度wrt？
我只能计算wrt到上下文中显式使用的变量的梯度
浏览 0提问于2020-06-01得票数 2
在TensorFlow2.0中，一些变量可以描述为'UnreadVariable'
对于ex：
b = tf.Variable([4,5], name="test")
print(b.assign([7, 9]))
# Will print
# <tf.Variable 'UnreadVariable' shape=(2,) dtype=int32, numpy=array([7, 9], dtype=int32)>
什么意思？
浏览 125提问于2020-03-17得票数 3
我想使用一个经过训练的模型来改变输入，这样它就像Tensorflow 2.0中的深度梦想一样将损失最小化(而不是改变可训练变量)，但我没有成功。 假设我有一个与文档中相同的基本神经网络 class MyModel(Model):
def __init__(self):
super(MyModel, self).__init__()
self.conv1 = Conv2D(32, 3, activation='relu')
self.flatten = Flatten()
self.d1 = Dense(128, activation=
浏览 21提问于2019-04-30得票数 0
回答已采纳
2回答
我试图计算TensorFlow神经网络的输出相对于它的输入的雅可比。这很容易用tf.GradientTape.jacobian方法实现。TensorFlow文档中提供的简单示例如下：
with tf.GradientTape() as g:
x = tf.constant([1.0, 2.0])
g.watch(x)
y = x * x
jacobian = g.jacobian(y, x)
如果我只想计算输入张量x的单个实例的Jacobian，这是很好的。但是，对于x的各种实例，我需要多次、多次地对这个Jacobian进行评估。对于一个非平凡的雅可比计算(例如，对于具有非线性激
浏览 5提问于2020-02-03得票数 2
回答已采纳
我试图计算我的模型的损失相对于它的输入的梯度，以便创建一个对抗性的例子。由于模型的输入是不可训练的，所以我需要计算关于张量的梯度，而不是变量。但是，如果张量不是可训练变量，则TensorFlow的GradientTape返回None梯度：
import numpy as np
import tensorflow as tf
tf.enable_eager_execution()
a = tf.convert_to_tensor(np.array([1., 2., 3.]), dtype=tf.float32)
b = tf.constant([1., 2., 3.])
c = tf.Var
浏览 1提问于2018-11-19得票数 0
回答已采纳
假设我将一个向量乘以一个标量，例如： a = tf.Variable(3.)
b = tf.Variable([1., 0., 1.])
with tf.GradientTape() as tape:
c = a*b
grad = tape.gradient(c, a) 我得到的梯度是一个标量， <tf.Tensor: shape=(), dtype=float32, numpy=2.0> 而我们期望的向量是： <tf.Variable 'Variable:0' shape=(3,) dtype=float32, numpy=array([1.,
浏览 35提问于2021-04-14得票数 0
在tensorflow中，如何将int32张量投射给float32。我不明白tf.cast是干什么的。它似乎什么也没做。
import tensorflow as tf
import numpy as np
tf.enable_eager_execution()
a = tf.constant([[1, 2, 3, 4], [1, 2, 3, 4]])
b = tf.cast(a, dtype=tf.float32)
print(tf.shape(a))
print(tf.shape(b))
产出；
tf.Tensor([2 4], shape=(2,), dtype=int32) #a
浏览 0提问于2019-07-29得票数 6
回答已采纳
我在试着理解tensorflow 2.0 hessians。我理解它的数学部分，但我试图理解它的代码部分。
我的玩具代码如下-
a = tf.constant([1, 2, 3], dtype=tf.float32)
b = tf.constant([1, 1, 2], dtype=tf.float32)
tf.hessians(a, b)
这给了-
RuntimeError:启用急切执行时不支持tf.gradients。使用tf.GradientTape代替。
到底怎么回事？
谢谢!
浏览 1提问于2019-12-09得票数 0
回答已采纳
1回答
假设我们有一些函数y=x^2
然后，我们可以使用梯度磁带为我们自动计算梯度(当我们提供一些x到tensorflow的值时)。
x = tf.Variable(3.0)
with tf.GradientTape() as tape:
y = x**2
dy_dx = tape.gradient(y, x)
不管怎样，我能找到tensorflow对我的输入做了什么吗？例如，在这种情况下，很容易找到dy/dx=2x，这是否意味着tensorflow将2乘以我的输入值x，然后返回me 6(即3*2)？
我有一个非常复杂的函数，我不知道如何区分，所以我想从tensorflow梯度磁带中找到洞察
浏览 14提问于2022-03-01得票数 2
我试图在Tensorflow 2.0中使用gradient_override_map。这里有一个，我也将用它作为示例。
在2.0中，GradientTape可用于计算梯度，如下所示：
import tensorflow as tf
print(tf.version.VERSION) # 2.0.0-alpha0
x = tf.Variable(5.0)
with tf.GradientTape() as tape:
s_1 = tf.square(x)
print(tape.gradient(s_1, x))
还有tf.custom_gradient装饰符，它可以用于定义新函数的梯
浏览 1提问于2019-04-19得票数 6
回答已采纳
我有代码，它用牛顿拉普森方法和Hessian方法优化了一个函数。
import tensorflow as tf
var = tf.Variable([3., -1., 0., 1.], dtype=tf.float32, name="var")
for i in range(10):
with tf.GradientTape() as tape1:
with tf.GradientTape() as tape2:
func1 = (var[0] + 10*var[1])**2 + (5 *(var[2] - var[3])
浏览 4提问于2021-04-20得票数 0
我尝试了以下代码：
from d2l import tensorflow as d2l
import tensorflow as tf
@tf.function
def corr2d(X, k, Y): #@save
"""Compute 2D cross-correlation."""
with tf.GradientTape() as tape:
for i in range(Y.shape[0]):
for j in range(Y.shape[1]):
浏览 20提问于2021-02-17得票数 0
我正在按照- tf.random.set_seed给出的规则测试。
特别是，我正在测试第二条规则--我们只设置全局级种子，而不设置操作级种子。
根据文件(上文提到的链接)，第二条规则是：
如果设置了全局种子，则为，但操作种子不是:系统确定地与全局种子一起选择操作种子，从而得到唯一的随机序列。
为了解释第二条规则，文档使用以下代码片段：
tf.random.set_seed(1234)
print(tf.random.uniform([1])) # generates 'A1'
print(tf.random.uniform([1])) # generates 'A
浏览 4提问于2022-11-14得票数 1
1回答
在参考 for TensorFlow Distributions (现为)中，可以使用TensorFlow Variable来构造Bijector和TransformedDistribution对象，即：
import tensorflow as tf
import tensorflow_probability as tfp
tfd = tfp.distributions
tf.enable_eager_execution()
shift = tf.Variable(1., dtype=tf.float32)
myBij = tfp.bijectors.Affine(shift=shift
浏览 0提问于2018-11-16得票数 2
回答已采纳
我试图在TensorFlow 2.0中尽可能地执行最基本的函数最小化，与问题Tensorflow 2.0: minimize a simple function中的完全一样，但是我无法让那里描述的解决方案工作。这是我的尝试，大部分是复制粘贴的，但添加了一些似乎缺少的部分。 import tensorflow as tf
x = tf.Variable(2, name='x', trainable=True, dtype=tf.float32)
with tf.GradientTape() as t:
y = tf.math.square(x)
# Is the t
浏览 9提问于2019-04-30得票数 2
回答已采纳
我需要从Tensorflow/Keras2.0 (super_model)中实现的神经网络中获取导数。由于我之前在this post中解释的问题，这个模型由多个基本模型(从x1到x6)组成。(因此，如果只将角度传递给模型，我将得到一个错误。)请参阅以下代码： angles=[0] * 21
data = {
'x1_model_input': numpy.array([angles[0:3]]),
'x2_model_input': numpy.array([angles[3:6]]),
'x3_model_input'
浏览 45提问于2021-11-13得票数 0
回答已采纳
我正在学习Tensorflow 2.0，我正在尝试弄清楚Gradient Tapes是如何工作的。我有一个简单的例子，在这个例子中，我评估了logits和标签之间的交叉熵损失。我想知道为什么关于logits的梯度是零。(请看下面的代码)。TF的版本为tensorflow-gpu==2.0.0-rc0。 logits = tf.Variable([[1, 0, 0], [1, 0, 0], [1, 0, 0]], type=tf.float32)
labels = tf.constant([[1, 0, 0], [0, 1, 0], [0, 0, 1]],dtype=tf.float32)
w
浏览 12提问于2019-09-11得票数 2
我需要一个与TensorFlow兼容的Python库，它提供了一个用于机器学习的二阶导数-- CTC (ConnectificationTemporal分类法)丢失函数。
也就是说，一个在Python中提供ctc_loss函数实现的库，与tf.nn.ctc_loss不同，第二个梯度必须是可解析计算的，性能合理，如下所示：
with tf.GradientTape() as tape1:
with tf.GradientTape() as tape2:
loss = ctc_loss(logits=logits, ...)
gradient = tape2.gr
浏览 0提问于2022-02-09得票数 0
对于线性组合中使用的另一个变量，如何计算变量的梯度？下面的代码是在TensorFlow急切模式下执行的。
一些更老的问题，一个类似的出现了。然而，如何解决这一问题尚不清楚。另一个相关的问题是，但是这里同样的变量被重用和TensorFlow v1。
我还在上读到了tf.assign (v1?)不支持渐变，并提供了一个潜在的解决方案。然而，我会将它应用于神经网络的内部模型权重，但我不知道如何在实践中应用这种张量方法。
a = tf.Variable(1.0, name='a')
b = tf.Variable(2.0, name='b')
c = tf.Variab
浏览 18提问于2022-06-18得票数 0
回答已采纳
我想得到，tensorflow，中向量的n-累积和。
import tensorflow as tf
input = tf.placeholder('float32', [None])
n = tf.placeholder('int32', ())
output = some_ops(input, n)
那是,
输入
input = 1、3、5、8
n =2
输出
output = 1+3，3+5，5+8，8
另一个例子，
输入
input = 1,5,6,2,8,7,9
n =3
输出
output = 1+5+6，5+6+2，6+2+8，2+8+7，8+7
浏览 1提问于2017-01-29得票数 1
当我使用tf.Variable的赋值方法更改变量的值时，它会停止tf.Gradient，例如，参见下面的玩具示例代码： (注意:我只对TensorFlow 2感兴趣。) x = tf.Variable([[2.0,3.0,4.0], [1.,10.,100.]])
patch = tf.Variable([[0., 1.], [2., 3.]])
with tf.GradientTape() as g:
g.watch(patch)
x[:2,:2].assign(patch)
y = tf.tensordot(x, tf.transpose(x), axes=1)
浏览 41提问于2019-12-19得票数 1
回答已采纳
我正在尝试TensorFlow 2.0 alpha上的自定义训练，同时我试图在TensorBoard中添加一些指标和我的训练图。考虑下面的人为设计的例子
import tensorflow as tf
from tensorflow.keras.layers import Dense, Input
from tensorflow.keras.models import Model
def create_model():
inp = Input((32, ))
net = Dense(16, activation="relu")(inp)
net =
浏览 5提问于2019-03-13得票数 10
我尝试使用optimizers.schedules.ExponentialDecay作为learning_rate到Adm的优化器，但我不知道如何在GradientTape中训练模型时传递“步骤”给它。 我使用tensorflow-gpu-2.0-alpha0和python3.6。我读了https://tensorflow.google.cn/versions/r2.0/api_docs/python/tf/optimizers/schedules/ExponentialDecay博士，但不知道如何处理它。 initial_learning_rate = 0.1
lr_schedule =
浏览 22提问于2019-05-15得票数 3
谢谢你对这个问题的兴趣。
我想计算tensorflow.keras.Model的恒心矩阵
对于高阶导数，我尝试了嵌套的GradientTape.#示例图和输入。
xs = tf.constant(tf.random.normal([100,24]))
ex_model = Sequential()
ex_model.add(Input(shape=(24)))
ex_model.add(Dense(10))
ex_model.add(Dense(1))
with tf.GradientTape(persistent=True) as tape:
tape.watch(xs)
浏览 4提问于2021-02-03得票数 1
回答已采纳
我开始学习Tensorflow2.0 2.0，我困惑的一个主要原因是什么时候应该使用类似keras的model.compile和tf.GradientTape来训练模型。
在用于MNIST分类的Tensorflow2.0 2.0教程中，他们训练了两个类似的模型。和。
抱歉，如果这是微不足道的，但您什么时候使用一个而另一个呢？
浏览 1提问于2019-05-09得票数 4
回答已采纳
1回答
我正在用CNN和EHR数据集对Keras进行时间序列预测.目的是预测给病人什么分子，以及下一次病人探视前的时间。我必须实现一个基于的双目标梯度下降.实现的算法在这里(第7页末尾，第8页开头)：
我选择的模型是：
以长度为3的时间序列作为输入(对应于客户连续访问3次)和2项输出：
atc代码(要预测的分子代码)
等待下一次访问的时间(按月份类别：>=4为0,1,2,3,4 )
两个输出都使用SparseCategoricalCorssentropy损失函数。
当我开始实现第一个操作：gs - gl时，我有以下错误：
我的梯度中的一些值位于
浏览 2提问于2021-01-20得票数 1
回答已采纳
在tensorflow-2.0中，我试图创建一个输出两个tensorflow_probability.distributions之间的Kullback-Leibler (KL)散度的keras.layers.Layer。我想计算输出相对于其中一个tensorflow_probability.distributions的平均值的梯度(即KL散度)。
不幸的是，在我到目前为止的所有尝试中，得到的渐变都是0。
我尝试实现了一个如下所示的最小示例。我想知道这些问题是否与tf 2的紧急执行模式有关，因为我知道在tf 1中也有类似的方法，默认情况下禁用紧急执行。
这是我尝试过的最小示例：
import n
浏览 30提问于2019-07-09得票数 2
回答已采纳
考虑以下代码：
x = tf.Variable([1.0,2.0,3.0])
i = tf.Variable([1], dtype = tf.int64)
x[i]
很明显，tensorflow抛出了错误，因为x的形状类型与i类型不同。我可以通过将I转换为int32来解决它，但还有其他方法吗？例如，我可以改变x的形状类型吗？
浏览 1提问于2017-09-07得票数 0
回答已采纳
继续使用tensorflow 2.0获取这些错误。这样能行吗？
import tensorflow as tf
import numpy as np
x = tf.constant(3.0)
with tf.GradientTape() as t:
t.watch(x)
y = (x - 10) ** 2
opt = tf.optimizers.Adam()
opt.minimize(lambda: y, var_list=[x])
浏览 0提问于2019-04-06得票数 3
回答已采纳
因此，here it说间接修改不应该起作用，这意味着更改将是不可见的(不可见更改到底是什么意思？) 但是这段代码正确地计算了梯度： import tensorflow as tf
class C:
def __init__(self):
self.x = tf.Variable(2.0)
@tf.function
def change(self):
self.x.assign_add(2.0)
@tf.function
def func(self):
self.change()
r
浏览 13提问于2019-12-05得票数 1
我已经找遍了，但找不到任何人谁之前的答案有帮助。
我有一个tensorflow模型，其中包含一个执行训练的@tf.function (tf版本2.3.0)。在train_step调用中，我需要将数据从张量传递到对其执行cwt转换的numpy函数。没有(afaik) tensorflow cwt，因此需要将其传递给numpy函数。我遇到的问题是，在@tf.function中，张量是图形化的，因此不能直接调用.numpy()将张量转换为numpy数组。下面的小代码片段显示了代码。
我的问题是，如何将生成器调用生成的输出数据转换为可以传递给此numpy函数的数据。希望有一种方法可以做到这一点！
谢谢
浏览 0提问于2020-08-15得票数 1
我正在尝试将用TensorFlow1.13编写的现有代码(使用估计器)迁移到TensorFlow2.0，但我在尝试找到等效的API来冻结和输出图形以及输出.pb文件时遇到了问题。
在TensorFlow1.13中，estimator类有一个函数export_savedmodel，它接受一个模型路径和一个serving_input_receiver_fn。我在设置serving_input_receiver_fn时遇到了麻烦，因为它似乎接受占位符。但是，当迁移到TensorFlow2.0时，尽管存在相同的API，但由于将急切执行模型设置为默认值，占位符不能在急切执行模式下工作。
def e
浏览 23提问于2019-08-10得票数 3
考虑下面的代码： import tensorflow as tf
x = tf.constant([5, 1, 2, 4])
tf.reduce_max(x) 上面的结果将给出输出x： <tf.Tensor: shape=(), dtype=int32, numpy=5> 但是，我想以这样的格式获取最大值： <tf.Tensor: shape=(4,), dtype=int32, numpy=array([5,5,5,5]dtype=int32)> 你知道怎么写代码吗？
浏览 13提问于2021-11-05得票数 0
回答已采纳
我尝试在eager模式下使用Tensorflow计算梯度，但tf.GradientTape ()只返回None值。我不明白为什么。在update_policy ()函数中计算渐变。 这一行的输出： grads = tape.gradient(loss, self.model.trainable_variables) 是 {list}<class 'list'>:[None, None, ... ,None] 下面是代码。 import tensorflow as tf
from keras.backend.tensorflow_backend import set
浏览 14提问于2019-04-12得票数 3
回答已采纳
Tensorflow的跨度切片允许选择每个第n个元素：
x = tf.convert_to_tensor([0,1,2,3,4,5,6,7,8])
x[1::3]
Out[7]: <tf.Tensor: shape=(3,), dtype=int32, numpy=array([1, 4, 7], dtype=int32)>
如何在每个步幅上选择多个元素？例如，在每三个元素中，我希望选择元素#1到#2，因此结果将是：
[1, 2, 4, 5, 7, 8]
浏览 0提问于2020-05-19得票数 0
我正在重写与TF 2.0兼容的代码。不幸的是，网站提供的几乎每个示例都使用keras。但是，我想编写带有原始tensorflow函数的代码。
在某种程度上，在培训过程中计算和应用梯度的新方法如下所示(从窃取的代码)：
# Optimization process.
def run_optimization(x, y):
# Wrap computation inside a GradientTape for automatic differentiation.
with tf.GradientTape() as g:
pred = logistic_regre
浏览 10提问于2019-10-09得票数 2
回答已采纳
我必须在tensorflow的模型中设置trainable_variables值，而不是使用优化器。有没有一个函数或方法可以做到这一点？我展示了一个示例代码:我想设置mnist_model.trainable_variables值。 for epoch in range(0,1):
with tf.GradientTape() as tape:
prediction = mnist_model(mnist_images, training=True)
loss_value = loss(mnist_labels, prediction)
variables = mnist_
浏览 249提问于2020-06-14得票数 1
回答已采纳
1回答
我正在和RaggedTensors一起操作一个密度张量。就像这样：
out_left = tf.ragged.boolean_mask(input, index)
index = tf.math.logical_not(index)
out_right = tf.ragged.boolean_mask(input, index)
reconstruced_tensor = tf.concat([out_left, out_right], axis=-1)
reconstruced_tensor = reconstruced_tensor.
浏览 0提问于2022-11-09得票数 0
1回答
我有一个自定义模型，它将任意“隐藏模型”作为输入，并将其封装在另一个张量中，将隐藏模型的输出作为返回，并通过添加1并将其乘以原始数据来计算隐含输出：
class Model(tf.keras.Model):
def __init__(self, hidden_model):
super(Model, self).__init__(name='')
self.hidden_model = hidden_model
def build(
self,
reference_price_shape,
浏览 6提问于2020-01-04得票数 0
回答已采纳
我使用网络输出从tensorflow_probability和GradientTape实例化MultivariateNormalTriL分布，以记录计算损失后的梯度。
在随机数目的训练步骤之后，GradientTape返回网络某些层的NaN值。网络和分布的输出中的所有值看起来都没问题。它们是一些随机数。不是太小，不是太大。所有计算出的损失值也都是正常的。除了来自GradienTape的渐变之外，没有任何其他地方的NaNs。
此外，当使用正态分布时，一切工作正常。
据我所知，GradientTape应该只在函数不可微的情况下才返回NaNs。因此，对于某些特定值，MultivariateNorma
浏览 15提问于2021-02-14得票数 0
1回答
我正在尝试在我的模型中使用tf.ragged.stack。当我在玩它的时候，我可以做这样的事情： tensor = tf.constant([[1., 2.], [3., 4.], [5., 6.]])
masks = tf.constant([[1, 1, 1], [0, 0, 0], [1, 0, 1]])
tf.ragged.stack([tf.boolean_mask(tensor, mask) for mask in masks]) 它提供了： <tf.RaggedTensor [[[1.0, 2.0], [3.0, 4.0], [5.0, 6.0]], [], [[1.0,
浏览 10提问于2021-01-08得票数 1
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频活动推荐
腾讯云开发者
