Question

我想使用经过训练的模型来更改输入，以便在Tensorflow 2.0中进行深度梦想时将损失降到最低（而不是更改可训练的变量），但是我没有成功。

说我在文档中有一个基本的NN

class MyModel(Model):
  def __init__(self):
    super(MyModel, self).__init__()
    self.conv1 = Conv2D(32, 3, activation='relu')
    self.flatten = Flatten()
    self.d1 = Dense(128, activation='relu')
    self.d2 = Dense(10, activation='softmax')

  def call(self, x):
    x = self.conv1(x)
    x = self.flatten(x)
    x = self.d1(x)
    return self.d2(x)

model = MyModel()

我使用简单的tf.GradientTape函数进行训练

@tf.function
def train_step(image, label):
  with tf.GradientTape() as tape:
    predictions = model(image)
    loss = loss_object(label, predictions)
  gradients = tape.gradient(loss, model.trainable_variables)
  optimizer.apply_gradients(zip(gradients, model.trainable_variables))

创建函数的惯用方式是什么，它将代之以计算渐变并将渐变应用于输入-图像。

我以为它会简单到

def train_step(image, label):
  with tf.GradientTape() as tape:
    predictions = model(image)
    loss = loss_object(label, predictions)
  gradients = tape.gradient(loss, image)
  optimizer.apply_gradients(zip(gradients, image))

但是，这不起作用。

Answer 1

tf.GradientTape.gradients只能将wrt与观察到的张量区分开。首次访问时会自动监视变量。为了区分任意张量，必须显式watch：

>>> x = tf.constant([4.0])
>>> y = tf.constant([2.0])
>>> with tf.GradientTape() as tape:
...     tape.watch([x, y])
...     z = x * y
...     
>>> tape.gradient(z, [x, y])
[<tf.Tensor: id=9, shape=(1,), dtype=float32, numpy=array([ 2.], dtype=float32)>, 
 <tf.Tensor: id=10, shape=(1,), dtype=float32, numpy=array([ 4.], dtype=float32)>]

如何获得相对于输入的梯度并更改输入（而不是可训练的var）以最小化TF 2中的损耗？

1 个答案: