逻辑 'AND' 的 Tensorflow 自定义估算器

Question

我正在尝试创建一个简单的 one-layer/one-unit 神经网络，其中包含能够计算逻辑 AND 运算的 tensorflow 自定义估计器，但我在使用 sigmoid 激活时遇到了问题——我想设置阈值

这是我的代码

x = np.array([
    [0, 0],
    [1, 0],
    [0, 1],
    [1, 1]
], dtype=np.float32)

y = np.array([
    [0],
    [0],
    [0],
    [1]
])

def sigmoid(val):
    res = tf.nn.sigmoid(val)
    isGreater = tf.greater(res, tf.constant(0.5))
    return tf.cast(isGreater, dtype=tf.float32)

def model_fn(features, labels, mode, params):
    predictions = tf.layers.dense(inputs=features, units=1, activation=sigmoid)

    if mode == tf.estimator.ModeKeys.PREDICT:
        return tf.estimator.EstimatorSpec(mode=mode, predictions=predictions)

    loss = tf.losses.sigmoid_cross_entropy(labels, predictions)
    optimizer = tf.train.GradientDescentOptimizer(0.5)
    train_op = optimizer.minimize(loss, global_step=tf.train.get_global_step())

    return tf.estimator.EstimatorSpec(mode=mode, loss=loss, train_op=train_op)

nn = tf.estimator.Estimator(model_fn=model_fn)
input_fn = tf.estimator.inputs.numpy_input_fn(x=x, y=y, shuffle=False, num_epochs=None)

nn.train(input_fn=input_fn, steps=500)

但这会引发错误

ValueError: No gradients provided for any variable, check your graph for ops that do not support gradients, between variables ["<tf.Variable 'dense/kernel:0' shape=(2, 1) dtype=float32_ref>", "<tf.Variable 'dense/bias:0' shape=(1,) dtype=float32_ref>"] and loss Tensor("sigmoid_cross_entropy_loss/value:0", shape=(), dtype=float32).

我该如何解决这个问题？请帮忙..

我的另一个问题 - 为什么 Tensorflow 没有内置的 sigmoid 激活阈值？不就是二分类最需要的东西之一吗（withsigmoid/tanh）？

Answer 1

有一个built-in sigmoid激活函数，即tf.nn.sigmoid。

然而，当你创建一个网络时，你不应该在最后一层使用激活。您需要向图层提供未缩放的逻辑，如下所示：

predictions = tf.layers.dense(inputs=features, units=1, activation=None)

loss = tf.losses.sigmoid_cross_entropy(labels, predictions)

否则，对于您的自定义 sigmoid，您的预测将是 0 或 1，并且没有可用的梯度。

逻辑 'AND' 的 Tensorflow 自定义估算器

Tensorflow custom estimator for logical 'AND'

python

neural-network

tensorflow

sigmoid

tensorflow-estimator