keras将Levenberg-Marquardt优化算法实现为自定义优化器

Question

我正在尝试将Levenberg-Marquardt算法实现为Keras优化器，如here所述，但我遇到了一些问题，最大的问题是这个错误

TypeError: Tensor objects are not iterable when eager execution is not enabled. To iterate over this tensor use tf.map_fn.

快速搜索之后我发现这与tensorflow如何运行带图表的程序有关，我不详细了解。我发现这个答案很有用from SO但是关于损失功能，不是优化

所以说到这一点。

我的尝试看起来像这样：

from keras.optimizers import Optimizer
from keras.legacy import interfaces
from keras import backend as K

class Leveberg_Marquardt(Optimizer):
    def __init__(self, tau =1e-2 , lambda_1=1e-5, lambda_2=1e+2, **kwargs):
        super(Leveberg_Marquardt, self).__init__(**kwargs)
        with K.name_scope(self.__class__.__name__):
            self.iterations = K.variable(0, dtype='int64', name='iterations')
            self.tau = K.variable(tau,name ='tau')
            self.lambda_1 = K.variable(lambda_1,name='lambda_1')
            self.lambda_2 = K.variable(lambda_2,name='lambda_2')

    @interfaces.legacy_get_updates_support
    def get_updates(self, loss, params):
        grads = self.get_gradients(loss,params)
        self.updates = [K.update_add(self.iterations,1)]
        error = [K.int_shape(m) for m in loss]
        for p,g,err in zip(params,grads,error):
            H = K.dot(g, K.transpose(g)) + self.tau * K.eye(K.max(g))
            w = p - K.pow(H,-1) * K.dot(K.transpose(g),err) #ended at step 3 from http://mads.lanl.gov/presentations/Leif_LM_presentation_m.pdf
            if self.tau > self.lambda_2:
                w = w - 1/self.tau * err
            if self.tau < self.lambda_1:
                w = w - K.pow(H,-1) * err
            # Apply constraints.
            if getattr(p, 'constraint', None) is not None:
                w = p.constraint(w)
            self.updates.append(K.update_add(err, w))
        return self.updates

    def get_config(self):
        config = {'tau':float(K.get_value(self.tau)),
                  'lambda_1':float(K.get_value(self.lambda_1)),
                  'lambda_2':float(K.get_value(self.lambda_2)),}
        base_config = super(Leveberg_Marquardt, self).get_config()
        return dict(list(base_config.items()) + list(config.items()))

Q1我可以在不深入到tensorflow的情况下修复此错误（我希望我可以通过保持Keras级别来实现这一点）

Q2我是否以正确的方式使用keras后端？

我的意思是，在这一行

H = K.dot(g, K.transpose(g)) + self.tau * K.eye(K.max(g))

我应该使用keras后端函数，或numpy或纯python来运行这段代码而不会出现输入数据是numpy数组的问题？

<3>问题3这个问题更多的是关于算法本身。

我是否正确实施LMA？我必须说，我不知道如何处理边界条件，我已经猜到的tau / lambda值，也许你知道更好的方法吗？

我试图了解keras中的其他优化器是如何工作的，但即使SGD代码对我来说也不明确。

Q4我是否需要以任何方式更改本地文件optimizers.py？

为了正确运行，我正在使用以下命令初始化我的优化器：

myOpt = Leveberg_Marquardt()

然后简单地将它传递给complie方法。然而，在快速查看optimizers.py的源代码之后，我发现thera是代码中的位置，具有明确的优化器名称（例如反序列化函数）。为我的自定义优化器扩展它是否很重要，或者我可以留下它？

我非常感谢未来行动的任何帮助和指导。

Answer 1

  

Q1是否可以解决此错误而不必深入到tensorflow（我希望我   可以通过保持Keras级别来做到这一点）

A1 我相信，即使该错误已解决，例如在keras不支持的算法的实现中仍然存在问题，但文档中的错误项f(x;w_0)-y却不存在可用于keras优化程序。

  

Q2我是否以正确的方式使用keras后端？

A2 是的，您必须使用keras后端进行此计算，因为g是张量对象，而不是numpy数组。但是，我认为H的正确计算应该是H = K.dot(K.transpose(g), g)，以获取Nx1向量g并执行外积以生成NxN矩阵。

  

Q3这个问题更多地是关于算法本身。

A3 如A1中所述，我不确定keras是否支持此算法所需的输入。

  

Q4我是否需要以任何方式更改本地文件Optimizers.py？

A4 如果所提供的代码行作为优化程序的参数提供给keras的模型编译函数，则它将运行优化程序。为了方便起见，keras库支持按名称调用内置的类和函数。