Python 张量必须来自与使用AdagradDA优化器的LinearClassifier中的张量相同的图形

我一直在尝试将tf.optimizer.AdagradDA与线性分类器结合使用。这是我的密码：

def input_fn():
    features_in = { "random_var": tf.convert_to_tensor(np.random.randn(100)) }
    labels_in = tf.convert_to_tensor(np.random.choice([0, 1], size=(100,), p=[1./2, 1./2]))
    dataset =  tf.data.Dataset.from_tensors((features_in, labels_in))
    dataset.repeat(2)
    dataset.batch(1)

    iterator = dataset.make_one_shot_iterator()
    features, labels = iterator.get_next()
    return features, labels

def main():
    global_step_tensor = tf.Variable(0, trainable=False, name='global_step')

    optimizer = tf.train.AdagradDAOptimizer(learning_rate=0.001, global_step=global_step_tensor)
    columns = [tf.feature_column.numeric_column('random_var')]
    model = tf.estimator.LinearClassifier(optimizer=optimizer, feature_columns=columns)
    model.train(input_fn=input_fn)

当我运行代码时，会出现以下错误之一：

• ValueError:Tensor（“Identity\u 1:0”，shape=（），dtype=int32）必须来自与Tensor（“线性/线性模型/随机变量/权重/部分0:0”，shape=（1，1），dtype=float32\u ref）”相同的图形。

• ValueError:Tensor（“Identity_1:0”，shape=（），dtype=int32）必须来自与Tensor（“linear/head/AdagradDA/update_linear/linear_model/random_var/weights/part_0/Cast_2/x:0”，shape=（），dtype=float32）相同的图形。

• ValueError:Tensor（“Identity_1:0”，shape=（），dtype=int32）必须来自与Tensor（“linear/linear/linear_model/random_var/weights/part_0/AdagradDA_1:0”，shape=（1，1），dtype=float32_ref）相同的图形。

当我使用FtrlOptimizer或adagradaoptimize运行相同的代码时，代码运行正常。所以我猜，这个问题必须与

全局步骤张量
实例化有关


以下是我到目前为止尝试过的东西：


使用tf.Session（）作为sess:
在
LinearClassifier
构造函数中创建优化器
警告：这在TensorFlow 1.10.0（以及更高版本）中有效。显然，它在TensorFlow 1.9.0（可能更早）中不起作用。见下面ZakJ的评论

您需要更改构建优化器对象的方式，如下所示：

optimizer = lambda: tf.train.AdagradDAOptimizer(learning_rate=0.001,global_step=tf.train.get_global_step())

1） 注意lambda。这将创建一个可调用的操作，而不是Tensorflow
操作
，这是
AdagraddaoOptimizer
将自行返回的操作（没有lambda）

2） 您可以直接使用
tf.train.get_global_step（）
，而不必定义全局步长张量

我不太清楚为什么在这种情况下需要通过添加lambda来创建一个callable。但是我想，每当你想使用一个需要
global\u step
的优化器时（或者你想传递它，例如学习速率衰减），你就需要将优化器设置为可调用的（因此需要lambda），而不是Tensorflow
操作

这也是文档中学习率衰减示例所做的

这是我在TensorFlow 1.10.0上成功运行的完整代码：

import tensorflow as tf
import numpy as np

def input_fn():
    features_in = { "random_var": tf.convert_to_tensor(np.random.randn(100)) }
    labels_in = tf.convert_to_tensor(np.random.choice([0, 1], size=(100,), p=[1./2, 1./2]))
    dataset =  tf.data.Dataset.from_tensors((features_in, labels_in))
    dataset.repeat(2)
    dataset.batch(1)

    iterator = dataset.make_one_shot_iterator()
    features, labels = iterator.get_next()
    return features, labels

def main():
    optimizer = lambda: tf.train.AdagradDAOptimizer(learning_rate=0.001,global_step=tf.train.get_global_step())
    columns = [tf.feature_column.numeric_column('random_var')]
    model = tf.estimator.LinearClassifier(optimizer=optimizer, feature_columns=columns)
    model.train(input_fn=input_fn)

至少在版本1.9.0中，这不起作用。您会收到如下错误：
给定对象不是优化器实例。给定：
。我用在Tensorflow 1.10.0上运行的完整代码更新了答案。你能在1.9.0上尝试这个精确的代码并告诉我你是否仍然得到那个错误吗？我使用了这个精确的代码，加上从main返回的
model
，然后添加：
est=main（）；测试配合（输入法）
。调用
fit
时产生的错误与我上面给出的错误相同。您是指
est.train（input\u fn）
？
LinearClassifier
对象没有fit（）方法。但是，当我按照您使用
est.train（input\u fn）
所描述的操作时，代码运行良好。同样，这是1.10.0。无论如何，谢谢你尝试。是的，我的意思是“.train”--对不起，我无法编辑评论来更正它。听起来像是在1.10.0中添加了一些东西，允许这样做。你是对的，现代文档给出了类似的解决方案。删除否决票，因为您在答案中添加了版本警告。