Machine learning 使用占位符作为tensorflow变量（获取错误！）

我试图在我的图表中使用占位符作为变量（这样我以后就可以对它进行优化），但我不知道最好的方法。我试过这个：

x=tf.placeholder（tf.float32，shape=[None，1]）
x_as_variable=tf.variable（x，validate_shape=False）

但每次我构建图形时，当我尝试添加损失函数时，都会出现一个错误：

train=tf.train.AdamOptimizer（）.minimize（MSEloss）

错误是： ValueError:未在未知的TensorShape上定义as_list（）

即使您对这个错误并不完全熟悉，如果您能指导我如何构建一个复制变量，该变量接受占位符的值，我也会非常感激。

---

谢谢

正如您所注意到的，TensorFlow优化器（即的子类）对对象进行操作，因为它们需要能够为这些对象分配新值，而在TensorFlow中，只有变量支持分配操作。如果使用，则无需更新，因为占位符的值在每个步骤中都是不可变的

那么，如何优化美联储的价值？我可以想出两个选择：

您可以先为变量分配一个输入值，然后针对该变量进行优化，而不是输入一个

tf.placeholder（）

：

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)

您可以使用低级函数在一个步骤中获得相对于占位符的损失梯度。然后可以在Python中使用该渐变：

var = tf.placeholder(tf.float32, ...)
# ...
mse_loss = ...
var_grad, = tf.gradients(loss, [var])

var_grad_val = sess.run(var_grad, feed_dict={var: ...})

---

---

问题中的代码定义了一个

tf.变量（tf.占位符（…），…）

，它只是定义了一个变量，其初始值由占位符提供。这可能不是您想要的，因为优化器创建的训练op将只使用分配给变量的值，而忽略您提供给占位符的任何内容（在初始化步骤之后）。

正如您所注意到的，TensorFlow优化器（即的子类）操作对象，因为它们需要能够为这些对象指定新值，而在TensorFlow中，只有变量支持赋值操作。如果使用，则无需更新，因为占位符的值在每个步骤中都是不可变的

那么，如何优化美联储的价值？我可以想出两个选择：

您可以先为变量分配一个输入值，然后针对该变量进行优化，而不是输入一个

tf.placeholder（）

：

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)

您可以使用低级函数在一个步骤中获得相对于占位符的损失梯度。然后可以在Python中使用该渐变：

var = tf.placeholder(tf.float32, ...)
# ...
mse_loss = ...
var_grad, = tf.gradients(loss, [var])

var_grad_val = sess.run(var_grad, feed_dict={var: ...})

---

---

问题中的代码定义了一个

tf.变量（tf.占位符（…），…）

，它只是定义了一个变量，其初始值由占位符提供。这可能不是您想要的，因为优化器创建的训练op将只使用分配给变量的值，而忽略您提供给占位符的任何内容（在初始化步骤之后）。

您可以粘贴完整堆栈跟踪吗？当然，这里有一个链接，似乎我无法对非静态大小的变量进行优化是的，您可能需要为占位符提供完整的形状。您可以粘贴完整的堆栈跟踪吗？当然，这里有一个链接似乎无法对非静态大小的变量进行优化是的，您可能需要为占位符提供完整的形状。对于1），当您直接将占位符输入变量时，赋值操作不会自动添加吗？可以添加一个赋值操作，但您必须记住使用提要命令运行

var.initializer

。它可以工作，但选项2可能更好。。。尤其是当形状可以改变的时候。啊，好吧，这里的问题是Adam优化器需要创建辅助变量，要做到这一点，它们需要与输入的形状相同。现在它依赖于静态形状，因为几乎所有变量都有静态形状（当权重形状改变时，很可能不容易定义这些辅助变量的含义）。你能试试选项2吗，或者是有什么原因它对你不起作用吗？对于1），当你直接将占位符输入变量时，赋值操作不会自动添加吗？可以添加一个赋值操作，但您必须记住使用提要命令运行

var.initializer

。它可以工作，但选项2可能更好。。。尤其是当形状可以改变的时候。啊，好吧，这里的问题是Adam优化器需要创建辅助变量，要做到这一点，它们需要与输入的形状相同。现在它依赖于静态形状，因为几乎所有变量都有静态形状（当权重形状改变时，很可能不容易定义这些辅助变量的含义）。你能试试选项2吗，或者是有什么原因它不适合你？