Tensorflow Can'；t通过优化学习tf.contrib.distributions.MultivariantNormalDiag的参数

工作示例：

import numpy as np
import tensorflow as tf

## construct data
np.random.seed(723888)
N,P = 50,3 # number and dimensionality of observations
Xbase = np.random.multivariate_normal(mean=np.zeros((P,)), cov=np.eye(P), size=N)

## construct model
X      = tf.placeholder(dtype=tf.float32, shape=(None, P), name='X')
mu     = tf.Variable(np.random.normal(loc=0.0, scale=0.1, size=(P,)), dtype=tf.float32, name='mu')
xDist  = tf.contrib.distributions.MultivariateNormalDiag(loc=mu, scale_diag=tf.ones(shape=(P,), dtype=tf.float32), name='xDist')
xProbs = xDist.prob(X, name='xProbs')

## prepare optimizer
eta       = 1e-3 # learning rate
loss      = -tf.reduce_mean(tf.log(xProbs), name='loss')
optimizer = tf.train.AdamOptimizer(learning_rate=eta).minimize(loss)

## launch session
with tf.Session() as sess:
    tf.global_variables_initializer().run()
    sess.run(optimizer, feed_dict={X: Xbase})

我想在tensorflow中对多元高斯分布的参数进行优化，就像我上面的例子一样。我可以成功地运行像sess.run（loss，feed_dict={X:Xbase}）这样的命令，因此我已经正确地实现了分发。当我尝试运行优化操作时，会收到一条奇怪的错误消息：

InvalidArgumentError: -1 is not between 0 and 3
     [[Node: gradients_1/xDist_7/xProbs/Prod_grad/InvertPermutation = InvertPermutation[T=DT_INT32, _device="/job:localhost/replica:0/task:0/cpu:0"](gradients_1/xDist_7/xProbs/Prod_grad/concat)]]

Caused by op 'gradients_1/xDist_7/xProbs/Prod_grad/InvertPermutation'

我不明白

---

如果使用

tf.contrib.distributions.multivarianentormalfallconvariation

而不是

tf.contrib.distributions.multivarianentormaldiag

，则会收到相同的错误消息。如果变量被优化过，我不会得到错误。

我仍在寻找失败的原因，但对于短期修复，进行以下更改是否有效

xLogProbs = xDist.log_prob(X, name='xLogProbs')
loss      = -tf.reduce_mean(xLogProbs, name='loss')

---

注意：这实际上比

tf.log（xProbs）

更可取，因为它的数值精度从来都不低，有时甚至更精确。（所有tf.Distributions都是如此。）

我仍在寻找失败的原因，但对于短期修复，进行以下更改是否有效

xLogProbs = xDist.log_prob(X, name='xLogProbs')
loss      = -tf.reduce_mean(xLogProbs, name='loss')

---

注意：这实际上比

tf.log（xProbs）

更可取，因为它的数值精度从来都不低，有时甚至更精确。（所有tf.发行版都是如此。）

使用

.log\u prob

有效。谢谢我没有太多地使用

tf.Distributions

。我已经找到了问题所在。TF的发布版本似乎没有正确处理

reduce\u prod

的负索引。该问题已在master中修复。在任何情况下，

log\u prob

是首选。还要注意：由于此处过于复杂的原因，最好使用

tf.get_variable

而不是

tf.variable

。祝你好运！使用

.log\u prob

有效。谢谢我没有太多地使用

tf.Distributions

。我已经找到了问题所在。TF的发布版本似乎没有正确处理

reduce\u prod

的负索引。该问题已在master中修复。在任何情况下，

log\u prob

是首选。还要注意：由于此处过于复杂的原因，最好使用

tf.get_variable

而不是

tf.variable

。祝你好运！