Question

我正试图在两台机器上拆分最小化功能。在一台机器上，我称之为“compute_gradients”，在另一台机器上，我称之为“apply_gradients”，其中包含通过网络发送的渐变。问题是，无论我做什么，调用apply_gradients（...）。run（feed_dict）似乎都不起作用。我已经尝试插入占位符代替apply_gradients的张量渐变，

  variables = [W_conv1, b_conv1, W_conv2, b_conv2, W_fc1, b_fc1, W_fc2, b_fc2]
  loss = -tf.reduce_sum(y_ * tf.log(y_conv))
  optimizer = tf.train.AdamOptimizer(1e-4)
  correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
  accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
  compute_gradients = optimizer.compute_gradients(loss, variables)

  placeholder_gradients = []
  for grad_var in compute_gradients:
     placeholder_gradients.append((tf.placeholder('float', shape=grad_var[1].get_shape()) ,grad_var[1]))
  apply_gradients = optimizer.apply_gradients(placeholder_gradients)

然后当我收到渐变时，我打电话给

  feed_dict = {}
  for i, grad_var in enumerate(compute_gradients):
        feed_dict[placeholder_gradients[i][0]] = tf.convert_to_tensor(gradients[i])
  apply_gradients.run(feed_dict=feed_dict)

然而，当我这样做时，我得到了

ValueError：使用序列设置数组元素。

这只是我尝试过的最新内容，我也尝试了没有占位符的相同解决方案，以及等待创建apply_gradients操作，直到我收到渐变，这会导致不匹配的图形错误。

对于我应该采用哪种方向的任何帮助？

Answer 1

假设每个gradients[i]是您使用某种带外机制获取的NumPy数组，修复只是在构建feed_dict时删除tf.convert_to_tensor()调用：

feed_dict = {}
for i, grad_var in enumerate(compute_gradients):
    feed_dict[placeholder_gradients[i][0]] = gradients[i]
apply_gradients.run(feed_dict=feed_dict)

feed_dict中的每个值都应该是NumPy数组（或者其他一些可以简单地转换为NumPy数组的对象）。特别是，tf.Tensor不是feed_dict的有效值。

远程TensorFlow apply_gradients

1 个答案: