Python 将可训练变量输入TensorFlow中的占位符

假设我想在一些样本（以及变量）上训练一个模型，这些样本只在运行时已知

案例研究：主成分分析（X W=Y）

（这只是一个复杂得多的模型的简化）

以这个简单的PCA模型为例，其中只有特征维度（Din和Dout）是已知和固定的

W = tf.Variable(tf.zeros([D_in, D_out]), name='weights', trainable=True)
X = tf.placeholder(tf.float32, [None, D_in], name='placeholder_latent')

Y_est = tf.matmul(X, W)
loss = tf.reduce_sum((Y_tf-Y_est)**2)

train_step = tf.train.AdamOptimizer(0.001).minimize(loss)

假设现在我们生成一些数据

W_true = np.random.randn(D_in, D_out)
X_true = np.random.randn(N, D_in)
Y_true = np.dot(X_true, W_true)
Y_tf = tf.constant(Y_true.astype(np.float32))

一旦我知道我的训练数据的维度，我就可以声明将馈送到占位符

X

的

潜在

变量进行优化

latent = tf.Variable(tf.zeros([N, D_in]), name='latent', trainable=True)
init_op = tf.global_variables_initializer()

在那之后，我想做的是将这个

潜在的

变量输入占位符

X

，然后运行优化

with tf.Session() as sess:
  sess.run(init_op)
  for n in range(10000):
    sess.run(train_step, feed_dict={X : sess.run(latent)})
    if (n+1) % 1000 == 0:
      print('iter %i, %f' % (n+1, sess.run(loss, feed_dict={X : sess.run(latent)}))) 

问题在于，优化程序不会优化

W

和

潜在的
，而只优化
W
。我还尝试在不进行求值的情况下直接输入变量，但出现以下错误：

ValueError: setting an array element with a sequence.

你曾经遇到过这样的问题吗？你知道如何克服这个问题吗？是否有任何可能的解决方法来优化占位符

顺便说一句，我正在将TensorFlow 1.1.0rc0与Python 2.7.13一起使用
；损失=tf.减少总和（（Y\u tf-Y\u est）**2）。因此，潜在未参与模型，也不会进行优化。@S.Stas“潜在未参与模型”是什么意思？X只是一个占位符，由latentIt提供。这意味着，基本上，你试图找到解方程XW=Y的W，这样损失函数f（Y-Y_真）将最小化。因此，f，即损失，取决于X和W。然而，由于X是您的输入（即观察/收集的数据），为了最小化损失，您通过自变量W取f的梯度，而不是X。因为在您的情况下，X是潜在X=g（潜在）的函数，因此要求算法优化X-或潜在-与您正在求解的方程相矛盾。