是否可以在 n 次迭代而不是每次迭代后使用平均损失来优化 Tensorflow MLP？
Is it possible to optimize a Tensorflow MLP with the averaged loss after n iterations instead of every iteration?
我的网络的输入是 NxN 图像的 n 个连续像素（其中 n 比 N 小），输出是 1 个像素。
损失定义为输出与期望输出之间的平方差。
我想在迭代整个图像后对平均损失使用优化器。
但是，如果我尝试在列表中收集损失并在所有迭代完成后平均这些损失，将其提供给我的优化器，则会导致错误，因为 Tensorflow 不知道损失从何而来，因为它不是在计算图上。
显然，向我的网络提供数组 [x,n]（其中 x 是输入的数量，否则我必须在每次迭代中单独提供，n 是连续像素的数量）然后优化为此输入计算的损失正是我要找的。
我的网络的输入是 NxN 图像的 n 个连续像素（其中 n 比 N 小），输出是 1 个像素。
损失定义为输出与期望输出之间的平方差。
我想在迭代整个图像后对平均损失使用优化器。
但是，如果我尝试在列表中收集损失并在所有迭代完成后平均这些损失，将其提供给我的优化器，则会导致错误，因为 Tensorflow 不知道损失从何而来，因为它不是在计算图上。
显然，向我的网络提供数组 [x,n]（其中 x 是输入的数量，否则我必须在每次迭代中单独提供，n 是连续像素的数量）然后优化为此输入计算的损失正是我要找的。