Question

我正在学习使用tensorflow库。每当我尝试使用最简单（我猜）可能的基于渐变的学习的例子时，我都会得到同样的错误，这让我陷入困境。

以下是代码：

import tensorflow as tf

x = tf.constant(1, dtype=tf.float32, name='X')
a = tf.Variable(1, dtype=tf.float32, name= 'A')
y = tf.constant(10, dtype=tf.float32, name='Y')

ey = tf.multiply(x, a)
los = (y - ey)**2

optim = tf.train.GradientDescentOptimizer(learning_rate=0.2)

sess = tf.Session()
sess.run(tf.global_variables_initializer())
for counter in range(100):
    grd = sess.run(optim.compute_gradients(loss=los))
    sess.run(optim.apply_gradients(grads_and_vars=grd))

在最后一行，我收到以下错误： AttributeError：＆＃39; numpy.float32＆＃39;对象没有属性＆＃39; op＆＃39;

提前感谢您的任何提示。

Answer 1

在使用sess.run（）存储和评估时，tensorflow将张量转换为numpy数组。 GradientDescentOptimizer的apply_gradients方法引发TypeError，因为它需要张量作为输入，如here中所述。这导致原始代码出现问题。

for counter in range(100): grd = sess.run(optim.compute_gradients(loss=los)) sess.run(optim.apply_gradients(grads_and_vars=grd))

此问题的解决方案是在开始会话之前定义所有操作。在某些情况下，可能需要在更新权重之前对梯度进行后处理。在会话开始之前，需要定义所有此类后处理逻辑。

这是一个简单的例子：

import tensorflow as tf

x = tf.constant(1, dtype=tf.float32, name='X')
a = tf.Variable(1, dtype=tf.float32, name= 'A')
y = tf.constant(10, dtype=tf.float32, name='Y')

ey = tf.multiply(x, a)
loss = (y - ey)**2

optim = tf.train.GradientDescentOptimizer(learning_rate=0.2)
grads = optim.compute_gradients(loss)
train_step = optim.apply_gradients(grads_and_vars=grads)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for counter in range(100):
        sess.run(train_step)

Answer 2

apply_gradients的输入必须是张量而不是numpy数组。因为，它不是要在学习的每一步调用，而是在构建图形时调用一次。实际上，它“创建”了“训练步骤”，其中使用计算的梯度

更新变量

您应该使用这种代码：

import tensorflow as tf

x = tf.constant(1, dtype=tf.float32, name='X')
a = tf.Variable(1, dtype=tf.float32, name= 'A')
y = tf.constant(10, dtype=tf.float32, name='Y')

ey = tf.multiply(x, a)
los = (y - ey)**2

optim = tf.train.GradientDescentOptimizer(learning_rate=0.2)
grads, vars = zip(*optimizer.compute_gradients(loss))
train_step = optim.apply_gradients(grads_and_vars=grads)

sess = tf.Session()
sess.run(tf.global_variables_initializer())
for counter in range(100):
    grd = sess.run(train_step, feed_dict = {...})

最简单的apply_gradients抛出＆＃39; op＆＃39;属性错误

2 个答案: