0

对不起，如果这听起来像重复。我已经解决了所有相关问题，但没有找到适合我的问题背景的解决方案。

我正在尝试构建一个生成模型，该模型输出 COVID 的每个跟踪日的概率，以输入基于 SEIR 的流行病学模型。

一代工作。但是，我无法弄清楚如何训练模型。我必须编写一个自定义损失函数，该函数通过流行病学模型的阶跃函数运行每日参数，并将每天填充“已确认”和“已删除”的数据集。然后，我将该数据与约翰霍普金在 GitHub 上的 COVID 数据集中记录的“确认”和“删除”数据进行比较。

我使用平均绝对误差根据生成的概率和 JHU 数据集中的实际值来计算“确认”和“删除”之间的损失。我遇到的问题是当我调用the tf.gradient()函数时，它返回一个Nones 列表。我被困在这里，任何帮助将不胜感激。

这是我正在使用的代码：

训练步骤

# Define function to train the model based on one input
loss_fn = MeanAbsoluteError()
optimizer = Adam(learning_rate=0.005)

@tf.function
def train_step(x, y):

  y_pred = np.zeros((3, latent_dim))

  N = tf.constant(int(7_000_000_000), dtype=tf.float64)
  E0 = tf.Variable(int(1000), trainable=False, dtype=tf.float64)
  I0 = tf.Variable(covid_df.iloc[0]["Confirmed"], trainable=False, dtype=tf.float64)
  R0 = tf.Variable(covid_df.iloc[0]["Removed"], trainable=False, dtype=tf.float64)
  S0 = tf.Variable(N - E0 - I0 - R0, trainable=False, dtype=tf.float64)
  u0 = tf.Variable(0, trainable=False, dtype=tf.float64)

  SuEIRs = tf.stack([S0,u0,E0,I0,R0])

  with tf.GradientTape() as tape:
    logits = generator(tf.reshape(x, (batch_size, 4, latent_dim)), training=True)

    betas = logits[0][0]
    sigmas = logits[0][1]
    mus = logits[0][2]
    gammas = logits[0][3]

    for t in range(latent_dim):
      SuEIR_diffs = SuEIR_step(SuEIRs, t, N, betas, sigmas, mus, gammas)

      SuEIRs = SuEIRs + SuEIR_diffs

      confirmed = SuEIRs[3]
      removed = SuEIRs[4]

      # update y_pred
      y_pred[0,t] = float(t+1)
      y_pred[1,t] = confirmed.numpy()
      y_pred[2,t] = removed.numpy()

    # Convert predictions
    y_pred = tf.convert_to_tensor(y_pred)

    # Calculate loss
    loss_value = loss_fn(y[1], y_pred[1]) + loss_fn(y[2], y_pred[2])

  # Calculate the gradient
  grads = tape.gradient(loss_value, generator.trainable_weights)

  print(grads) ##==>> outputs [None, None, None, None]

  # Apply gradients to model
  optimizer.apply_gradients(zip(grads, generator.trainable_weights))
  return loss_value

训练循环

import time

epochs = 2
for epoch in range(epochs):
  print("\nStart of epoch %d" % (epoch,))
  start_time = time.time()

  # Iterate over the batches of the dataset.
  for step in range(sample_size):
    loss_value = train_step(x_input[step], y_true)

    # Log every 5 batches.
    if step % 5 == 0:
      print(
        "Training loss (for one batch) at step %d: %.4f"
        % (step, float(loss_value))
      )
    print("Time taken: %.2fs" % (time.time() - start_time))

错误输出

ValueError: No gradients provided for any variable: ['dense/kernel:0', 'dense/bias:0', 'dense_1/kernel:0', 'dense_1/bias:0'].

loss_value并按generator.trainable_weights预期填充。

编辑：更新代码以反映Myrl Marmarelis的建议和TensorFlow 的自定义训练循环指南的架构。仍然有相同的渐变问题是None's 列表。

4

1 回答 1

0

np.array(...)在计算损失（尤其是在 上y_pred）之前，尝试将您的调用更改为tf.convert_to_tensor(...)。tf.Tensor您需要通过将所有内容保持为s来构建适当的符号图。事实上，确保在模型参数和损失之间的计算链中的任何地方都没有将任何东西转换为非张量。

我还建议将您的训练过程包装在 a 中@tf.function，以便 Tensorflow 可以将其编译成静态图。

于 2021-03-05T20:05:01.510 回答