Domanda

sto calcolo e l'ottimizzazione di alcune variabili che vengono utilizzate in un processo esterno, ma ottengo l'errore "No Gradient".

Un pesantemente semplificato (non testato) la versione del codice, ma è possibile ottenere l'idea:

def external_process (myvar):
    subprocess.call("process.sh", myvar)
    with open('result.json', 'r') as f:
        result = json.load(data, f)
    return np.array(result["result"])

myvar = tf.Variable(1.0, dtype = 'float32', trainable = True)

loss = tf.reduce_sum( tf.py_func(external_process, [myvar], [tf.float32])[0] )

optimizer = tf.train.AdamOptimizer(0.05)
train_step = optimizer.minimize(loss)
sess.run(train_step)

ho visto questa discussione, ma io non lo comprendiamo pienamente: https://github.com / tensorflow / tensorflow / temi / 1095

Grazie!

È stato utile?

Soluzione 2

La risposta corretta è: "un processo esterno non è differenziabile (a meno che non si conosce ogni dettaglio, ciò che è impossibile in questo caso), quindi questo problema dovrebbe essere affrontato come un problema Reinforcement Learning"

Altri suggerimenti

https://www.tensorflow.org/versions /r0.9/api_docs/python/framework.html (ricerca gradient_override_map) è un esempio su gradient_override_map:

@tf.RegisterGradient("CustomSquare")
def _custom_square_grad(op, grad):
  # ...

with tf.Graph().as_default() as g:
  c = tf.constant(5.0)
  s_1 = tf.square(c)  # Uses the default gradient for tf.square.
  with g.gradient_override_map({"Square": "CustomSquare"}):
    s_2 = tf.square(s_2)  # Uses _custom_square_grad to compute the
                          # gradient of s_2.

Quindi, una possibile soluzione potrebbe essere:

@tf.RegisterGradient("ExternalGradient")
def _custom_external_grad(unused_op, grad):
    # I don't know yet how to compute a gradient
    # From Tensorflow documentation:
    return grad, tf.neg(grad)

def external_process (myvar):
    subprocess.call("process.sh", myvar)
    with open('result.json', 'r') as f:
        result = json.load(data, f)
    return np.array(result["result"])

myvar = tf.Variable(1.0, dtype = 'float32', trainable = True)

g = tf.get_default_graph()
with g.gradient_override_map({"PyFunc": "ExternalGradient"}):
    external_data =  tf.py_func(external_process, [myvar], [tf.float32])[0]

loss =  tf.reduce_sum(external_data)

optimizer = tf.train.AdamOptimizer(0.05)
train_step = optimizer.minimize(loss)
sess.run(train_step)
Autorizzato sotto: CC-BY-SA insieme a attribuzione
scroll top