TypeError вычисляет градиенты с помощью GradientTape.gradient - PullRequest
Новая
       80

TypeError вычисляет градиенты с помощью GradientTape.gradient

2 голосов
/ 29 апреля 2019

Здравствуйте,

В настоящее время я пытаюсь вычислить градиенты в Tensorflow 1.13.1 и использую класс GradientTape, как описано в официальной документации ,но я получаю TypeError: Fetch argument None has invalid type <class 'NoneType'>.
Ниже я приведу два простых случая, когда я получаю эту ошибку, используя только готовую функцию Tensorflow, первый из которых - более простой минимальный рабочий пример, ивторой, который мне действительно нужно решить / обойти.Для полноты я использую Python 3.6.8 .

Упрощенный 

import tensorflow as tf

tf.reset_default_graph()
x = tf.constant([1., 2., 3.])
with tf.GradientTape(persistent=True) as gg:
    gg.watch(x)
    f1 = tf.map_fn(lambda a: a**2, x)
    f2 = x*x

# Computes gradients
d_fx1 = gg.gradient(f1, x)     #Line that causes the error
d_fx2 = gg.gradient(f2, x)     #No error
del gg #delete persistent GradientTape

with tf.Session() as sess:
    d1, d2 = sess.run((d_fx1, d_fx2))
print(d1, d2)

В этом коде f1 и f2 вычисляются по-разному, но дать тот же массив.Однако при попытке вычислить связанные с ними градиенты, первая строка дает следующую ошибку, тогда как вторая строка работает без нареканий.Я сообщаю ниже трассировки стека ошибки 

TypeError                                 Traceback (most recent call last)
<ipython-input-1-9c59a2cf2d9b> in <module>()
     15 
     16 with tf.Session() as sess:
---> 17     d1, d2 = sess.run((d_fx1, d_fx2))
     18 print(d1, d2)

C:\HOMEWARE\Miniconda3-Windows-x86_64\envs\rdwsenv\lib\site-packages\tensorflow\python\client\session.py in run(self, fetches, feed_dict, options, run_metadata)
    927     try:
    928       result = self._run(None, fetches, feed_dict, options_ptr,
--> 929                          run_metadata_ptr)
    930       if run_metadata:
    931         proto_data = tf_session.TF_GetBuffer(run_metadata_ptr)

C:\HOMEWARE\Miniconda3-Windows-x86_64\envs\rdwsenv\lib\site-packages\tensorflow\python\client\session.py in _run(self, handle, fetches, feed_dict, options, run_metadata)
   1135     # Create a fetch handler to take care of the structure of fetches.
   1136     fetch_handler = _FetchHandler(
-> 1137         self._graph, fetches, feed_dict_tensor, feed_handles=feed_handles)
   1138 
   1139     # Run request and get response.

C:\HOMEWARE\Miniconda3-Windows-x86_64\envs\rdwsenv\lib\site-packages\tensorflow\python\client\session.py in __init__(self, graph, fetches, feeds, feed_handles)
    469     """
    470     with graph.as_default():
--> 471       self._fetch_mapper = _FetchMapper.for_fetch(fetches)
    472     self._fetches = []
    473     self._targets = []

C:\HOMEWARE\Miniconda3-Windows-x86_64\envs\rdwsenv\lib\site-packages\tensorflow\python\client\session.py in for_fetch(fetch)
    259     elif isinstance(fetch, (list, tuple)):
    260       # NOTE(touts): This is also the code path for namedtuples.
--> 261       return _ListFetchMapper(fetch)
    262     elif isinstance(fetch, collections.Mapping):
    263       return _DictFetchMapper(fetch)

C:\HOMEWARE\Miniconda3-Windows-x86_64\envs\rdwsenv\lib\site-packages\tensorflow\python\client\session.py in __init__(self, fetches)
    368     """
    369     self._fetch_type = type(fetches)
--> 370     self._mappers = [_FetchMapper.for_fetch(fetch) for fetch in fetches]
    371     self._unique_fetches, self._value_indices = _uniquify_fetches(self._mappers)
    372 

C:\HOMEWARE\Miniconda3-Windows-x86_64\envs\rdwsenv\lib\site-packages\tensorflow\python\client\session.py in <listcomp>(.0)
    368     """
    369     self._fetch_type = type(fetches)
--> 370     self._mappers = [_FetchMapper.for_fetch(fetch) for fetch in fetches]
    371     self._unique_fetches, self._value_indices = _uniquify_fetches(self._mappers)
    372 

C:\HOMEWARE\Miniconda3-Windows-x86_64\envs\rdwsenv\lib\site-packages\tensorflow\python\client\session.py in for_fetch(fetch)
    256     if fetch is None:
    257       raise TypeError('Fetch argument %r has invalid type %r' % (fetch,
--> 258                                                                  type(fetch)))
    259     elif isinstance(fetch, (list, tuple)):
    260       # NOTE(touts): This is also the code path for namedtuples.

TypeError: Fetch argument None has invalid type <class 'NoneType'>

Обратите внимание, что я также пытался вычислять только один градиент за раз, то есть с persistent=False, и получил те же результаты.

Фактическая потребность

Ниже я приведу также минимальный рабочий пример для воспроизведения той же ошибки, что и я, но пытаюсь решить проблему, над которой я на самом деле работаю.

В этом коде я 'используя RNN для вычисления выхода с некоторыми входами, и мне нужно вычислить jacobian этого выхода с входами.

import tensorflow as tf
from tensorflow.keras.layers import RNN, GRUCell

# Define size of variable. TODO: adapt to data
inp_dim = 2
num_units = 50
batch_size = 100
timesteps = 10

# Reset the graph, so as to avoid errors
tf.reset_default_graph()

# Building the model
inputs = tf.ones(shape=(timesteps, batch_size, inp_dim))

# Follow gradient computations
with tf.GradientTape() as g:
    g.watch(inputs)
    cells = [GRUCell(num_units), GRUCell(num_units)]
    rnn = RNN(cells, time_major=True, return_sequences=True)
    f = rnn(inputs)
d_fx = g.batch_jacobian(f, inputs)

# Run graph
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    grads = sess.run(d_fx)
grads.shape

Что касается трассировки стека, я получаю ту же ошибку, но с меньшим количеством строк (в этой трассировке стека меньше на for_fetch, <listcomp> и __init).Для полноты я все еще включаю его ниже 

TypeError                                 Traceback (most recent call last)
<ipython-input-5-bb2ce4eebe87> in <module>()
     25 with tf.Session() as sess:
     26     sess.run(tf.global_variables_initializer())
---> 27     grads = sess.run(d_fx)
     28 grads.shape

C:\HOMEWARE\Miniconda3-Windows-x86_64\envs\rdwsenv\lib\site-packages\tensorflow\python\client\session.py in run(self, fetches, feed_dict, options, run_metadata)
    927     try:
    928       result = self._run(None, fetches, feed_dict, options_ptr,
--> 929                          run_metadata_ptr)
    930       if run_metadata:
    931         proto_data = tf_session.TF_GetBuffer(run_metadata_ptr)

C:\HOMEWARE\Miniconda3-Windows-x86_64\envs\rdwsenv\lib\site-packages\tensorflow\python\client\session.py in _run(self, handle, fetches, feed_dict, options, run_metadata)
   1135     # Create a fetch handler to take care of the structure of fetches.
   1136     fetch_handler = _FetchHandler(
-> 1137         self._graph, fetches, feed_dict_tensor, feed_handles=feed_handles)
   1138 
   1139     # Run request and get response.

C:\HOMEWARE\Miniconda3-Windows-x86_64\envs\rdwsenv\lib\site-packages\tensorflow\python\client\session.py in __init__(self, graph, fetches, feeds, feed_handles)
    469     """
    470     with graph.as_default():
--> 471       self._fetch_mapper = _FetchMapper.for_fetch(fetches)
    472     self._fetches = []
    473     self._targets = []

C:\HOMEWARE\Miniconda3-Windows-x86_64\envs\rdwsenv\lib\site-packages\tensorflow\python\client\session.py in for_fetch(fetch)
    256     if fetch is None:
    257       raise TypeError('Fetch argument %r has invalid type %r' % (fetch,
--> 258                                                                  type(fetch)))
    259     elif isinstance(fetch, (list, tuple)):
    260       # NOTE(touts): This is also the code path for namedtuples.

TypeError: Fetch argument None has invalid type <class 'NoneType'>

Я чувствую, что есть ошибка с какой-то функцией Tensorflow, которая выдает мне ошибку, однако я не уверен.В конце концов, меня интересует получение tensor, содержащее jacobian вывода моей сети относительно входов.Как я могу добиться этого, используя другие инструменты или исправляя мой код?

EDIT : Хорошо, поэтому я принял во внимание комментарии danyfang и попытался разобраться в проблеме, поднятой на Github.он процитировал tf.gradients, возвращающее None вместо 0 из-за некоторого дизайна реализации в низкоуровневом Tensorflow.

Поэтому я попытался создать простой случай, в котором я уверен, что градиент отличается от0, вычислением tf.matmul(tf.transpose(x), x).Я публикую ниже MWE. 

import tensorflow as tf

tf.reset_default_graph()
x = tf.constant([[1., 2., 3.]])
with tf.GradientTape(persistent=True) as gg:
    gg.watch(x)
    y = tf.matmul(x, tf.transpose(x))
    f1 = tf.map_fn(lambda a: a, y)

# Computes gradients
d_fx1 = gg.gradient(f1, x)
d_yx = gg.gradient(y, x)
del gg #delete persistent GradientTape

with tf.Session() as sess:
    #d1 = sess.run(d_fx1) # Same error None type
    d2 = sess.run(d_yx) #Works flawlessly. returns array([[2., 4., 6.]], dtype=float32)
d2

Это показывает (по крайней мере, на мой взгляд), что ошибка возникает не из-за поведения, о котором сообщает эта проблема , а из-зареализация более низкого уровня.

1 Ответ

0 голосов
/ 30 апреля 2019

РЕДАКТИРОВАТЬ : Ниже я сообщаю, как я вычислил tf.hessians моего выхода по входам.

Мне удалось вычислить градиенты с помощью функции tf.gradients.Однако, согласно документации, эта функция использует символьное деривация , тогда как GradientTape.gradient использует автоматическое дифференцирование .В документах, которые я читаю, они говорят о автоматическом дифференцировании , поэтому я не знаю, возникнут ли позже какие-то проблемы, но, по крайней мере, мой код работает.

Ниже я публикую MWE с кодом RNN, который я уже использовал. 

import tensorflow as tf
from tensorflow.keras.layers import RNN, GRUCell, Dense

# Define size of variable. TODO: adapt to data
inp_dim = 2
num_units = 50
batch_size = 100
timesteps = 10

# Reset the graph, so as to avoid errors
tf.reset_default_graph()

inputs = tf.ones(shape=(timesteps, batch_size, inp_dim))

### Building the model
cells = [GRUCell(num_units), GRUCell(num_units)]
rnn = RNN(cells, time_major=True, return_sequences=True)
final_layer = Dense(1, input_shape=(num_units,))

# Apply to inputs
last_state = rnn(inputs)
f = final_layer(last_state)

[derivs] = tf.gradients(f, inputs)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    grads = sess.run(derivs)

Просто чтобы предупредить любого заинтересованного свидетеля, который хотел бы вычислить производные второго порядка ,использование tf.gradients(tf.gradients(func, vars)) не поддерживается.Также есть функция с именем tf.hessian, но замена tf.gradients на tf.hessian в приведенном выше коде не сработала и привела к ошибке настолько долго, что я не буду ее здесь включать.Скорее всего, я сделаю выпуск на Github, на который я буду ссылаться здесь для всех, кто заинтересован.На данный момент, когда я столкнулся с неудовлетворительным обходным путем, я отмечу свой собственный ответ как решение моей проблемы.

Вычисление производных второго порядка

См. Эту проблему на Github..

Добро пожаловать на сайт PullRequest, где вы можете задавать вопросы и получать ответы от других членов сообщества.

Похожие темы

...