具有可变批量大小的Tensorflow反向传播
我有一个tensorflow模型,其中批次中的每个张量都有不同的大小。如果我连接所有损失并对其运行优化器(如本例所示),是否可能获得正确的梯度:具有可变批量大小的Tensorflow反向传播,tensorflow,backpropagation,Tensorflow,Backpropagation,我有一个tensorflow模型,其中批次中的每个张量都有不同的大小。如果我连接所有损失并对其运行优化器(如本例所示),是否可能获得正确的梯度: import tensorflow as tf v1 = tf.range(9,dtype=tf.float32) v2 = tf.range(6,dtype=tf.float32) v1 = tf.reshape(v1,[3,3]) v2 = tf.reshape(v2,[2,3]) gt1 = tf.constant([2,5,4]) gt2
import tensorflow as tf
v1 = tf.range(9,dtype=tf.float32)
v2 = tf.range(6,dtype=tf.float32)
v1 = tf.reshape(v1,[3,3])
v2 = tf.reshape(v2,[2,3])
gt1 = tf.constant([2,5,4])
gt2 = tf.constant([1,5])
with tf.variable_scope("var"):
w = tf.get_variable('w', [3,7], dtype=tf.float32)
r1 = v1 @ w
r2 = v2 @ w
loss1 = tf.nn.sparse_softmax_cross_entropy_with_logits(labels=gt1, logits=r1)
loss2 = tf.nn.sparse_softmax_cross_entropy_with_logits(labels=gt2, logits=r2)
loss = tf.concat([loss1, loss2],axis=0)
optimizer = tf.train.AdamOptimizer().minimize(loss)
with tf.Session() as sess:
# print the output of ta_final_result
sess.run(tf.global_variables_initializer())
print(sess.run(w))
print(sess.run(optimizer))
print(sess.run(w))
这完全等同于在将损失传递到最小化之前将损失累加到一个标量。事实上,reduce_和将隐式地添加到图中;您可以尝试将非标量传递给tf.gradients,看看会发生什么:
import tensorflow as tf
session = tf.InteractiveSession()
v = tf.get_variable("v", shape=[])
session.run(v.assign(2.))
grad = tf.gradients([v ** 2., v ** 3.], [v])
session.run(grad)
[16.0]
也就是2*2+3*2^2