tensorflow - tf.Print() 导致梯度错误

Question

我试图使用 tf.Print调试语句以更好地理解从 compute_gradients() 报告的梯度和变量的格式，但遇到了意外问题。训练例程和调试例程(gvdebug)如下:

def gvdebug(g, v):
    #g = tf.Print(g,[g],'G: ')
    #v = tf.Print(v,[v],'V: ')
    g2 = tf.zeros_like(g, dtype=tf.float32)
    v2 = tf.zeros_like(v, dtype=tf.float32)
    g2 = g
    v2 = v
    return g2,v2

# Define training operation
def training(loss, global_step, learning_rate=0.1):
    optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate)
    grads_and_vars = optimizer.compute_gradients(loss)
    gv2 = [gvdebug(gv[0], gv[1]) for gv in grads_and_vars]
    train_op = optimizer.apply_gradients(gv2, global_step=global_step)
    return train_op

此代码工作正常(但不打印)，但如果我取消注释 gvdebug() 中的两个 tf.Print 行，我会从 apply_gradients 收到一条错误消息:'TypeError: Variable must be a tf.Variable'。我以为 tf.Print 刚刚通过了张量——我做错了什么？

Answer 1

TL;博士

不要试图tf.Print gv[1]因为它是 tf.Variable .它就像一个指向创建 gradient 的变量的指针。在 gv[0] .

更多信息

当您运行时 compute_gradients它返回一个列表 gradients 以及它们对应的 tf.Variable s .
grads_and_vars的每个元素是 Tensor和一个 tf.Variable .需要注意的是不是 变量的值。

删除 v = tf.Print(v,[v],'V: ') 后，您的代码对我有用