Tensorflow 我们如何剪裁派生变量,从而相应地剪裁可训练值的值
当我创建一个从可训练变量导出的变量(不用于计算预测输出)并对其应用剪辑时,实际可训练变量是否也会根据导出变量可以获取的值进行剪辑?如果没有,有没有办法做到这一点 为了便于解释,请举一个简单的线性回归示例: Y=Ax+B(其中A和B是可训练变量,x是我们的输入) 如果我们创建一个变量:Tensorflow 我们如何剪裁派生变量,从而相应地剪裁可训练值的值,tensorflow,Tensorflow,当我创建一个从可训练变量导出的变量(不用于计算预测输出)并对其应用剪辑时,实际可训练变量是否也会根据导出变量可以获取的值进行剪辑?如果没有,有没有办法做到这一点 为了便于解释,请举一个简单的线性回归示例: Y=Ax+B(其中A和B是可训练变量,x是我们的输入) 如果我们创建一个变量: C = tf.Variable(B/A, dtype ='float64') 并在C上应用一个夹子: C = tf.clip_by_value(C, c_min, c_max) 现在优化预测Y和实际Y在一组输入
C = tf.Variable(B/A, dtype ='float64')
并在C上应用一个夹子:
C = tf.clip_by_value(C, c_min, c_max)
现在优化预测Y和实际Y在一组输入上的均方误差,我们会得到B和a,从而满足C可以得到的值吗?
如果没有,有没有办法做到这一点
在我的例子中,我有一些复杂的派生变量,它们的比率要被剪辑,但是如果我有上述问题的答案,我想我就有了基础,并且能够建立在这个基础上。