Python 如何在tensorflow中实现指标功能？

我想实现这样一个函数：如果x==k，f（x）=1，否则f（x）=0（k是一个参数）。所以我使用了tf.equal和tf.cast，我的代码如下：

将tensorflow导入为tf
a=范围（12）
a=tf.变量（a）
b=6
b=tf.变量（b）
a=tf.重塑（a[3,4]）
sess=tf.Session（）
init=tf.global_variables_initializer（）
sess.run（初始化）
c=tf.相等（a，b）
d=tf.cast（c，tf.int32）
打印sess.run（c）
打印sess.run（d）

---

看起来不错，但问题是tf.梯度（d，a）和tf.梯度（d，b）都没有。我尝试了tf.梯度（c，a）并得到了TypedError。有没有合适的方法来实现这个功能？

我甚至不确定这里是否定义了渐变

如果a=b，则指示器功能为f（a，b）=1，否则为0。远离a=b，该函数为常数（零），因此具有零导数。在a=b的任何点上，函数都是不连续的，因此这里没有导数

---

更直观地说：导数不存在于函数中有“跳跃”的地方。

我甚至不确定这里是否定义了梯度

如果a=b，则指示器功能为f（a，b）=1，否则为0。远离a=b，该函数为常数（零），因此具有零导数。在a=b的任何点上，函数都是不连续的，因此这里没有导数

---

更直观地说：在函数中有“跳跃”的地方不存在导数。

可以用正态分布的PDF来近似指示函数。我也是TensorFlow的新手，所以请随时指出任何问题

##I am using tensorflow2
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
import tensorflow_probability as tfp 

a = tf.range(12)
a = tf.Variable(a)
b = 6
b = tf.Variable(b)
a = tf.reshape(a, [3, 4])

## Define the PDF of a normal distribution to approximate the indicator function
dist = tfp.distributions.Normal(0., 0.1)
scalar = dist.prob(0) # a normalization constant
#since the pdf at data zero is not one

## Implement the approximazed indicator function
a = tf.cast(a, dtype= tf.float32)
b = tf.cast(b, dtype= tf.float32)
c = dist.prob(a-b)/scalar
#d = tf.cast(c, tf.int32)

sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init)
print(sess.run(c))

## calcualte the gradient
c_a = tf.gradients(c, a) 
print(sess.run(c_a))

---

可以使用正态分布的PDF来近似指示函数。我也是TensorFlow的新手，所以请随时指出任何问题

##I am using tensorflow2
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
import tensorflow_probability as tfp 

a = tf.range(12)
a = tf.Variable(a)
b = 6
b = tf.Variable(b)
a = tf.reshape(a, [3, 4])

## Define the PDF of a normal distribution to approximate the indicator function
dist = tfp.distributions.Normal(0., 0.1)
scalar = dist.prob(0) # a normalization constant
#since the pdf at data zero is not one

## Implement the approximazed indicator function
a = tf.cast(a, dtype= tf.float32)
b = tf.cast(b, dtype= tf.float32)
c = dist.prob(a-b)/scalar
#d = tf.cast(c, tf.int32)

sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init)
print(sess.run(c))

## calcualte the gradient
c_a = tf.gradients(c, a) 
print(sess.run(c_a))

---

我同意，但是像max pooling和relu一样，我只想将梯度反向传播到一些变量。我明白你的观点——确实，relu（x）的梯度没有定义为x=0。但它是在它的任一侧定义的：d relu/dx=1表示x>0，0表示x<0。如果x>y，则d max（x，y）/dx=1，如果xR。我认为技术上它可能是一个分布，因为它有一个积分。我同意，但就像max pooling和relu一样，我只想把梯度反向传播到一些变量，我明白你的意思了——确实，relu（x）的梯度没有定义在x=0。但它是在它的任一侧定义的：d relu/dx=1表示x>0，0表示x<0。如果x>y，则d max（x，y）/dx=1，如果xR。我认为技术上它可能是一个分布，因为它有一个积分。它在Tensorflow1中工作。然后我还尝试在Tensorflow2中实现，但它返回“none”。不确定原因…它在Tensorflow1中工作。然后我还尝试在Tensorflow2中实现，但它返回“none”。不确定原因。。。