1

学习 Julia 元编程以通过表达式自动构建 ANN。虽然一切都适用于推理，但后退阶段会引发错误：

LoadError：无法区分foreigncall表达式

下一个代码显示了问题出现的位置。虽然 eval(net(x)) 运行良好，但由于某种原因，它在梯度计算阶段引发了错误。

# define ANN by expression
net(x) = :($w2 * relu.($w1 * $x .+ $b1) .+ $b2)

# define loss and network evaluation
loss(x, y) = Flux.logitcrossentropy(eval(net(x)), y)

θ = Flux.Params([w1, b1, w2, b2])

# eval network and calculate gradients
gs = gradient(() -> loss(features, labels), θ)  # where the problem appears
4

1 回答 1

3

eval是一个Flux无法区分的基元。你宁愿使用类似的东西

net = :($w2 * relu.($w1 * x .+ $b1) .+ $b2)
@eval loss(x, y) = Flux.logitcrossentropy($net, y)

这将构建表达式loss并对其进行一次评估，而不是每次调用损失函数时都评估（并因此编译）同一段代码。

但在元编程之前要三思。在诉诸 之前eval，请尝试编写一个宏来生成您的网络和损失函数。

当然，如果目标是将仅在运行时可用的表达式组合在一起，这将不起作用。遗传编程，在运行时创建大量随机表达式，听起来像是一个合理的例外。但即便如此，也可能有其他选择，例如使用您自己的受限表示（例如，您可以首先符号区分，然后“编译”为匿名函数）。

于 2020-06-05T15:06:59.897 回答