Python TensorFlow 2.0中的基本函数最小化和变量跟踪

我正试图在TensorFlow 2.0中尽可能地实现最基本的函数最小化，正如问题中所述，但我无法使其中描述的解决方案起作用。这是我的尝试，主要是复制粘贴，但添加了一些似乎丢失的部分

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 tape that computes the gradients!
trainable_variables = [x]

#### Option 2
# To use minimize you have to define your loss computation as a funcction
def compute_loss():
    y = tf.math.square(x)
    return y

opt = tf.optimizers.Adam(learning_rate=0.001)
train = opt.minimize(compute_loss, var_list=trainable_variables)

print("x:", x)
print("y:", y)

输出：

x: <tf.Variable 'x:0' shape=() dtype=float32, numpy=1.999>
y: tf.Tensor(4.0, shape=(), dtype=float32)

x:
y:tf.Tensor（4.0，shape=（），dtype=float32）

所以它说最小值是

x=1.999

，但显然这是错误的。发生了什么事？我想它只执行了一个最小化器循环还是什么？如果是这样的话，“最小化”对函数来说似乎是一个可怕的名字。这是怎么回事

---

另一方面，我还需要知道在损失函数中计算的中间变量的值（示例中只有

y

，但假设计算

y

需要几个步骤，我需要所有这些数字）。我也不认为我正确地使用了梯度带，我不清楚它与损失函数中的计算有什么关系（我只是从另一个问题中复制了这个东西）。

你需要多次调用

最小化

，因为

minimize

只执行优化的一个步骤

以下几点应该行得通

将tensorflow导入为tf
x=tf.Variable（2，name='x'，trainable=True，dtype=tf.float32）
#是计算梯度的磁带！
可训练的_变量=[x]
#要使用最小化，必须将损失计算定义为一个函数
类模型（）：
定义初始化（自）：
self.y=0
def计算损耗（自身）：
self.y=tf.math.square（x）
回归自我
opt=tf.optimizers.Adam（学习率=0.01）
模型=模型（）
对于范围（1000）内的i：
训练=选择最小化（model.compute\u损失，var\u列表=可训练变量）
打印（“x:，x）
打印（“y:，model.y”）

好的，如果我提高学习率，我可以让它起作用，但随后我会得到“NameError:name'y'未定义”。更改我的代码以反映我没有显式存储

y

。现在它应该可以工作了。好的，它适用于这个确切的情况，但一般来说，我实际上需要在损失函数中计算的东西的值，而不仅仅是最终的结果。如何存储这些值？您可以使用全局变量存储值，或者我更愿意将loss函数封装在一个类中，然后您可以使用自引用访问属性。