Tensorflow 通过云TPU和x27生成梯度摘要；s host_call_fn（）？

我的理解是host_call和host_call_fn（）将统计数据从TPU传输到主机。然而，关于如何为任何非标量的内容生成摘要的说明并不十分清楚

例如，我试图修改官方的mnist_tpu.py，以生成训练期间生成的渐变的摘要。模型_fn（）是添加更改的位置：

...
optimizer = tf.train.GradientDescentOptimizer(learning_rate=learning_rate)
if FLAGS.use_tpu:
  optimizer = tf.contrib.tpu.CrossShardOptimizer(optimizer)

grads = optimizer.compute_gradients(loss)
train_op = optimizer.apply_gradients(grads, global_step)

if not FLAGS.skip_host_call:
    def host_call_fn(gs, loss, lr, grads):
        gs = gs[0]
        with summary.create_file_write(FLAGS.model_dir).as_default():
            summary.scalar('loss', loss[0], step=gs)
            summary.scalar('learning_rate', lr[0], step=gs)

            for index, grad in enumerate(grads):
                summary.histogram('{}-grad'.format(grads[index][1].name),
                        grads[index])

            return summary.all_summary_ops()

    gs_t = tf.reshape(global_step, [1])
    loss_t = tf.reshape(loss, [1])
    lr_t = tf.reshape(learning_rate, [1])
    grads_t = grads
    host_call = (host_call_fn, [gs_t, loss_t, lr_t, grads_t])
return tf.contrib.tpu.TPUEstimatorSpec(
    mode=mode,
    loss=loss,
    train_op=train_op
    )
....

---

不幸的是，上面的添加似乎不像基于CPU的训练期间直方图生成那样有效。知道如何正确地生成非标量张量的直方图吗？

主机调用的参数。问题是梯度是一对梯度张量和变量。在将变量名传递给host_call_fn之前，应该先提取出变量名，然后只传递梯度张量。实现这一点的一种方法是将host_call_fn的参数更改为**kwargs，其中关键字参数名是变量名，并将字典作为张量列表传递