TensorFlow 远程应用梯度

Question

我正在尝试将最小化功能拆分到两台机器上。在一台机器上，我调用“compute_gradients”，在另一台机器上调用“apply_gradients”，渐变是通过网络发送的。问题是无论我做什么，调用 apply_gradients(...).run(feed_dict) 似乎都不起作用。我已经尝试插入占位符来代替 apply_gradients 的张量渐变，

  variables = [W_conv1, b_conv1, W_conv2, b_conv2, W_fc1, b_fc1, W_fc2, b_fc2]
  loss = -tf.reduce_sum(y_ * tf.log(y_conv))
  optimizer = tf.train.AdamOptimizer(1e-4)
  correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
  accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
  compute_gradients = optimizer.compute_gradients(loss, variables)

  placeholder_gradients = []
  for grad_var in compute_gradients:
     placeholder_gradients.append((tf.placeholder('float', shape=grad_var[1].get_shape()) ,grad_var[1]))
  apply_gradients = optimizer.apply_gradients(placeholder_gradients)

然后当我收到我调用的渐变时

  feed_dict = {}
  for i, grad_var in enumerate(compute_gradients):
        feed_dict[placeholder_gradients[i][0]] = tf.convert_to_tensor(gradients[i])
  apply_gradients.run(feed_dict=feed_dict)

但是，当我这样做时，我得到了

ValueError: 使用序列设置数组元素。

这只是我尝试过的最新方法，我也尝试过没有占位符的相同解决方案，以及等待创建 apply_gradients 操作直到我收到渐变，这会导致不匹配的图形错误。

对我应该朝着哪个方向发展有任何帮助吗？

Answer 1

假设每个gradients[i] 都是您使用某种带外机制获取的 NumPy 数组，解决方法是在构建feed_dict 时删除tf.convert_to_tensor() 调用：

feed_dict = {}
for i, grad_var in enumerate(compute_gradients):
    feed_dict[placeholder_gradients[i][0]] = gradients[i]
apply_gradients.run(feed_dict=feed_dict)

feed_dict 中的每个值都应该是一个 NumPy 数组（或其他可以轻松转换为 NumPy 数组的对象）。特别是，tf.Tensor 不是 feed_dict 的有效值。