Question

我在TensorFlow中实现了一个计算均方误差的损失函数。用于计算目标的所有张量都是float64类型，因此损失函数本身是dtype float64。特别是，

print cost
==> Tensor("add_5:0", shape=TensorShape([]), dtype=float64)

然而，当我尝试最小化时，我获得了关于张量类型的值错误：

GradientDescentOptimizer(learning_rate=0.1).minimize(cost)
==> ValueError: Invalid type <dtype: 'float64'> for add_5:0, expected: [tf.float32].

我不明白为什么当导致计算的所有变量都是float64类型时，张量的预期dtype是单精度浮点数。我已经确认，当我将所有变量强制为float32时，计算会正确执行。

有没有人知道为什么会发生这种情况？我的电脑是64位电脑。

以下是重现行为的示例

import tensorflow as tf
import numpy as np

# Make 100 phony data points in NumPy.
x_data = np.random.rand(2, 100) # Random input
y_data = np.dot([0.100, 0.200], x_data) + 0.300

# Construct a linear model.
b = tf.Variable(tf.zeros([1], dtype=np.float64))
W = tf.Variable(tf.random_uniform([1, 2], minval=-1.0, maxval=1.0, dtype=np.float64))
y = tf.matmul(W, x_data) + b

# Minimize the squared errors.
loss = tf.reduce_mean(tf.square(y - y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)

# For initializing the variables.
init = tf.initialize_all_variables()

# Launch the graph
sess = tf.Session()
sess.run(init)

# Fit the plane.
for step in xrange(0, 201):
    sess.run(train)
    if step % 20 == 0:
        print step, sess.run(W), sess.run(b)

Answer 1

目前仅针对32位浮点变量和损失值进行tf.train.GradientDescentOptimizer类supports培训。

但是，看起来内核是针对双精度值实现的，因此应该可以在您的场景中进行训练。

快速解决方法是定义一个支持tf.float64值的子类：

class DoubleGDOptimizer(tf.train.GradientDescentOptimizer):
  def _valid_dtypes(self):
    return set([tf.float32, tf.float64])

...然后使用DoubleGDOptimizer代替tf.train.GradientDescentOptimizer。

编辑：您需要将学习率传递为tf.constant(learning_rate, tf.float64)才能使其发挥作用。

（ NB 这是不受支持的界面，未来可能会有所变化，但团队意识到优化双精度浮动的愿望，并打算提供一个内置解决方案。）

张量流损失最小化类型错误

1 个答案: