Python 不正确：将hyperopt与tensorflow一起使用

在下面的代码中，我修改了tensorflow教程（官方）中的Deep MNIST示例

修改——将重量衰减添加到损失函数中，同时也修改重量。（如果不正确，请务必让我知道）

Hyperopt用于调整超参数（权重衰减因子和退出概率）

当使用hyperopt代码时，代码仅在一次TPE运行时运行良好，但是，如果轨迹数增加，则会报告以下错误

self._traceback = _extract_stack()

InvalidArgumentError (see above for traceback): Shape [-1,784] has negative dimensions
         [[Node: Placeholder = Placeholder[dtype=DT_FLOAT, shape=[?,784], _device="/job:localhost/replica:0/task:0/gpu:0"]()]]

---

这个问题很可能是因为对

build\u和

的每次调用都会将节点添加到同一个TensorFlow图中，而

tf.train.AdamOptimizer

除了当前图外，还试图优化所有先前图中的变量。要解决此问题，请使用以下更改修改

build\u和

，使其在不同的TensorFlow图中运行

main（）

：

def build_and_optimize(hp_space):
    global Flags2
    Flags2 = {}
    Flags2['dp'] = hp_space['dropout_global']
    Flags2['wd'] = hp_space['wd']

    # Create a new, empty graph for each trial to avoid interference from
    # previous trials.
    with tf.Graph().as_default():
        res = main(Flags2)

    results = {
        'loss': res,
        'status': STATUS_OK
    }
    return results

self._traceback = _extract_stack()

InvalidArgumentError (see above for traceback): Shape [-1,784] has negative dimensions
         [[Node: Placeholder = Placeholder[dtype=DT_FLOAT, shape=[?,784], _device="/job:localhost/replica:0/task:0/gpu:0"]()]]

def build_and_optimize(hp_space):
    global Flags2
    Flags2 = {}
    Flags2['dp'] = hp_space['dropout_global']
    Flags2['wd'] = hp_space['wd']

    # Create a new, empty graph for each trial to avoid interference from
    # previous trials.
    with tf.Graph().as_default():
        res = main(Flags2)

    results = {
        'loss': res,
        'status': STATUS_OK
    }
    return results