GradientDescentOptimizer 在急切模式下需要不带参数的损失函数

【问题标题】：GradientDescentOptimizer requiring a loss function without arguments in eager modeGradientDescentOptimizer 在急切模式下需要不带参数的损失函数
【发布时间】：2019-04-25 08:13:10
【问题描述】：

tf.train.Optimizer 的 API 说： “当启用急切执行时，损失应该是一个不带参数并计算要最小化的值的 Python 函数。”

我很困惑，损失函数如何在没有给出预测和标签的情况下计算损失？

我尝试了 tf.losses.mean_squared_error，但正如预期的那样，它不起作用，因为它需要参数。

opt = tf.train.GradientDescentOptimizer(learning_rate=.1)

opt_op = opt.minimize(tf.losses.mean_squared_error, var_list=[model.W, model.b])
# TypeError: mean_squared_error() missing 2 required positional arguments: 'labels' and 'predictions'

【问题讨论】：

标签： tensorflow tensorflow2.0

【解决方案1】：

tf.losses.mean_squared_error 需要两个位置参数。

给定pred 一个预测和label 预期结果。

pred  # computed
label # computed
def custom_loss() :
  return tf.losses.mean_squared_error(pred, label)

opt.minimize(custom_loss, var_list=[model.W, model.b])

【讨论】：

您的意思可能是这样的：opt_op = opt.minimize(lambda x, y: loss(x,y), var_list=model.trainable_variables) 这也会引发与原始问题相同的错误：#TypeError: <lambda>() missing 2 required positional arguments: 'x' and 'y' 否则，您的代码 opt.minimize 会抛出 TypeError，因为它收到了太多的输入变量。