使用TensorFlow优化器优化涉及tf.keras的“model.predict（）”的函数？

Question

我用tf.keras构建了一个完全连接的ANN，“my_model”。然后，我试图使用来自TensorFlow的Adam优化器最小化函数f(x) = my_model.predict(x) - 0.5 + g(x)。我尝试了下面的代码：

x = tf.get_variable('x', initializer = np.array([1.5, 2.6]))
f = my_model.predict(x) - 0.5 + g(x)
optimizer = tf.train.AdamOptimizer(learning_rate=.001).minimize(f) 
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for i in range(50):
        print(sess.run([x,f]))
        sess.run(optimizer)

但是，执行my_model.predict(x)时出现以下错误：

如果您的数据采用符号张量的形式，则应指定steps参数（而不是batch_size参数）

我理解错误是什么，但我无法弄清楚如何使my_model.predict(x)在符号张量存在的情况下工作。如果从函数my_model.predict(x)中删除f(x)，则代码运行时没有任何错误。

我检查了以下link，link，其中TensorFlow优化器用于最小化任意函数，但我认为我的问题是使用底层keras的model.predict()函数。我感谢任何帮助。提前致谢！

Answer 1

我找到了答案！

基本上，我试图优化一个涉及训练有素的人工神经网络的功能，输入变量到人工神经网络。所以，我想要的只是知道如何调用my_model并将其放入f(x)。在这里挖掘一下Keras文档：https://keras.io/getting-started/functional-api-guide/，我发现所有Keras模型都可以像模型层一样调用！从链接中引用信息，

..你可以通过在张量上调用它来将任何模型视为一个层。请注意，通过调用模型，您不仅可以重用模型的体系结构，还可以重用其权重。

同时，model.predict(x)部分期望x是numpy数组或评估张量，并且不将张量流量变量作为输入（https://www.tensorflow.org/api_docs/python/tf/keras/Model#predict）。

所以下面的代码工作：

## initializations
sess = tf.InteractiveSession()
x_init_value = np.array([1.5, 2.6])
x_placeholder =  tf.placeholder(tf.float32)
x_var = tf.Variable(x_init_value, dtype=tf.float32)

# Check calling my_model
assign_step = tf.assign(x_var, x_placeholder)
sess.run(assign_step, feed_dict={x_placeholder: x_init_value})
model_output = my_model(x_var) # This simple step is all I wanted!
sess.run(model_output) # This outputs my_model's predicted value for input x_init_value

# Now, define the objective function that has to be minimized
f = my_model(x_var) - 0.5 + g(x_var) # g(x_var) is some function of x_var

# Define the optimizer
optimizer = tf.train.AdamOptimizer(learning_rate=.001).minimize(f) 

# Run the optimization steps
for i in range(50): # for 50 steps
    _,loss = optimizer.minimize(f, var_list=[x_var])
    print("step: ", i+1, ", loss: ", loss, ", X: ", x_var.eval()))