Question

这将是一个漫长而难以描述的事先道歉。

我有一个常规的CNN网络，其上面有标准的MLP图层。在MLP之上，我也有一个softmax层，但是，与传统网络不同，它与下面的MLP没有完全连接，它由子组组成。

为了进一步描述softmax，它看起来像这样：

Neur1A Neur2A ... NeurNA      Neur1B Neur2B ... NeurNB   Neur1C Neur2C ...NeurNC
        Group A                           Group B                Group C

还有更多的团体。每个组都有一个独立于其他组的softmax。所以它在某种程度上是几个独立的分类（尽管实际上并非如此）。

我需要的是激活的神经元的指数在组间单调增加。例如，如果我在A组中激活了Neuron5，我希望B组中激活的神经元>≥5。与B组和C组相同，等等。

这个包含所有组的所有神经元的softmax图层实际上不是我的最后一层，有趣的是它是中间层。

为了实现这种单调性，我在我的损失函数中增加了另一个术语，它惩罚了非单调激活的神经元指数。以下是一些代码：

softmax图层及其输出的代码：

def compute_image_estimate(layer2_input):
    estimated_yps= tf.zeros([FLAGS.batch_size,0],dtype=tf.int64)
    for pix in xrange(NUM_CLASSES):
        pixrow= int( pix/width)
        rowdata= image_pixels[:,  pixrow*width:(pixrow+1)*width]

        with tf.variable_scope('layer2_'+'_'+str(pix)) as scope:
            weights = _variable_with_weight_decay('weights', shape=[layer2_input.get_shape()[1], width],   stddev=0.04, wd=0.0000000)
            biases = _variable_on_cpu('biases', [width], tf.constant_initializer(0.1))
            y = tf.nn.softmax(tf.matmul(layer2_input,weights) + biases)
            argyp=width-1-tf.argmax(y,1)
            argyp= tf.reshape(argyp,[FLAGS.batch_size,1])
        estimated_yps=tf.concat(1,[estimated_yps,argyp])

        return estimated_yps

estimated_yps传递给量化单调性的函数：

def compute_monotonicity(yp):
    sm= tf.zeros([FLAGS.batch_size])

    for curr_row in xrange(height):
        for curr_col in xrange(width-1):
            pix= curr_row *width + curr_col
            sm=sm+alpha * tf.to_float(tf.square(tf.minimum(0,tf.to_int32(yp[:,pix]-yp[:,pix+1]))))

    return sm

和损失函数是：

def loss(estimated_yp, SOME_OTHER_THINGS):
    tf.add_to_collection('losses', SOME_OTHER_THINGS)

    monotonicity_metric= tf.reduce_mean( compute_monotonocity(estimated_yp) )
    tf.add_to_collection('losses', monotonicity_metric)
    return tf.add_n(tf.get_collection('losses'), name='total_loss')

现在我的问题是，当我不使用传统指标的SOME_OTHER_THINGS时，我得到ValueError: No gradients provided for any variable的单调性指标。

当像这样使用softmax层输出时，似乎没有定义渐变。

我做错了吗？任何帮助将不胜感激。

Answer 1

道歉..我意识到问题是tf.argmax函数显然没有定义渐变。

在目标函数本身内使用softmax层

1 个答案: