Python 导致收缩型自动编码器成本的张量流梯度不'；t收敛

为了构造一个压缩式自动编码器，我们使用一个具有成本函数的普通自动编码器

为了使用MNIST数据集实现这一点，我使用tensorflow定义了成本函数

def cost(X, X_prime):
    grad = tf.gradients(ys=X_prime, xs=X)
    cost = tf.reduce_mean(tf.square(X_prime - X)) + tf.reduce_mean(tf.square(grad))
    return cost

并使用AdamOptimizer进行反向传播。然而，成本不会低于0.067，这是很奇怪的。我对成本函数的实现是否不正确

编辑： 在读取了on

tf.gradients

之后，上述实现将计算

---

相反所以我的问题是，如何在张量流中进行导数分量分析

解决编辑后的问题：TensorFlow没有计算雅可比数的函数。以下引用自a，概述了如何计算雅可比矩阵：

目前，您可以通过多次调用梯度来计算（比如）向量的雅可比矩阵，对于原始向量的每个标量分量（通过切片获得）调用一个梯度，然后重新组合结果

---

正如Akshay所建议的，计算雅可比矩阵的方法是对微分目标进行切片。下面是一个小例子

f的雅可比矩阵是

tensorflow中的代码

X = tf.Variable(tf.random_normal(shape=(10, 3)), dtype=tf.float32)
y = X[:, :-1]

jacobian = tf.stack([tf.gradients(y[:, i], X) for i in range(2)], axis=2)

sess = tf.Session()
j = sess.run(jacobian)
print(j[:, 0, :])

array([[1., 0., 0.],
       [0., 1., 0.]], dtype=float32)

给