Question

我正在尝试在我的图表中使用占位符作为变量（因此我可以稍后对其进行优化），但我不知道最好的方法。我试过这个： x = tf.placeholder(tf.float32, shape = [None,1]) x_as_variable = tf.Variable(x, validate_shape = False)

但是每当我构建我的图表时，当我尝试添加我的损失函数时出现错误： train = tf.train.AdamOptimizer().minimize(MSEloss)

错误是： ValueError：未在未知的TensorShape上定义as_list（）。

即使你完全不熟悉这个错误，如果你可以指导我如何构建一个具有占位符值的复制变量，我真的很感激。谢谢！

Answer 1

正如您所注意到的，TensorFlow优化器（即tf.train.Optimizer的子类）对tf.Variable个对象进行操作，因为它们需要能够为这些对象分配新值，而在TensorFlow中只能为变量赋值支持分配操作。如果您使用tf.placeholder()，则无需更新，因为占位符的值在每个步骤中都是不可变的。

那么你如何针对输入值进行优化？我可以想到两个选择：

您可以先为变量分配一个输入值，然后根据它进行优化，而不是输入tf.placeholder()：

var = tf.Variable(...)
set_var_placeholder = tf.placeholder(tf.float32, ...)
set_var_op = var.assign(set_var_placeholder)
# ...
train_op = tf.train.AdamOptimizer(...).minimize(mse_loss, var_list=[var, ...])

# ...
initial_val = ...  # A NumPy array.
sess.run(set_var_op, feed_dict={set_var_placeholder: initial_val})
sess.run(train_op)
updated_val = sess.run(var)

您可以使用较低级别的tf.gradients()函数在一个步骤中获取相对于占位符的损失梯度。然后，您可以在Python中使用该渐变：
```
var = tf.placeholder(tf.float32, ...)
# ...
mse_loss = ...
var_grad, = tf.gradients(loss, [var])

var_grad_val = sess.run(var_grad, feed_dict={var: ...})
```

PS。您定义tf.Variable(tf.placeholder(...), ...)的问题中的代码只是定义一个变量，其初始值由占位符提供。这可能不是您想要的，因为优化程序创建的训练操作将仅使用分配给变量的值，并忽略您向占位符提供的任何内容（在初始化步骤之后）。

使用占位符作为tensorflow变量（获取错误！）

1 个答案: