optimizer = tf.optimizers.Adam(FLAGS["train.lr"]) grads_and_vars = optimizer.compute_gradients(cnn.loss)有错吗怎么改

这段代码的错误可能是由于 `FLAGS["train.lr"]` 的值不正确所引起的。你可以尝试使用一个固定的学习率值来替换它，如下所示：

optimizer = tf.optimizers.Adam(learning_rate=0.001)
grads_and_vars = optimizer.compute_gradients(cnn.loss)

如果你想使用一个可变的学习率，你可以尝试使用 `tf.Variable` 类来定义它，并在优化器中使用它，如下所示：

lr = tf.Variable(FLAGS["train.lr"], trainable=False)
optimizer = tf.optimizers.Adam(lr)
grads_and_vars = optimizer.compute_gradients(cnn.loss)

这将允许你在训练过程中更改学习率的值。

相关问题

怎么在optimizer = tf.keras.optimizers.Adam(learning_rate=0.01)里加入正则项

在`tf.keras.optimizers.Adam()`中加入正则项有两种常用的方法：

方法一：在定义模型时，在需要进行正则化的层后面，添加相应的正则化项。例如，在全连接层后添加L2正则化项：

from tensorflow.keras import layers, regularizers

model = tf.keras.Sequential([
    layers.Dense(64, activation='relu', kernel_regularizer=regularizers.l2(0.01)),
    layers.Dense(10, activation='softmax')
])

其中，`kernel_regularizer=regularizers.l2(0.01)`表示在全连接层的权重上应用L2正则化，正则化系数为0.01。这样，在定义优化器时，不需要添加额外的正则化项。

方法二：在定义优化器时，使用`tf.keras.optimizers.Adam()`的`regularizer`参数，将正则化项加入到优化器中。例如，将L2正则化项加入到Adam优化器中：

from tensorflow.keras import regularizers

optimizer = tf.keras.optimizers.Adam(learning_rate=0.01, beta_1=0.9, beta_2=0.999, epsilon=1e-07, 
                                     amsgrad=False, clipvalue=1.0, clipnorm=1.0, 
                                     decay=0.0, momentum=0.0, nesterov=False, 
                                     **{'regularizer': regularizers.l2(0.01)})

其中，`regularizers.l2(0.01)`表示在优化器中应用L2正则化，正则化系数为0.01。这样，每次使用该优化器时，都会自动应用L2正则化。需要注意的是，使用这种方法时，需要将`regularizer`参数传递给`optimizer`时使用`**`符号进行传参。

optimizer = tf.keras.optimizers.Adam(learningrate).minimize(loss)报错形参未填

这个错误通常是因为在定义 `optimizer` 时没有指定变量。在 TensorFlow 2.x 中，可以按照以下方式定义和使用优化器：

optimizer = tf.keras.optimizers.Adam(learning_rate=learningrate)
optimizer.minimize(loss, var_list=your_variable_list)

其中，`your_variable_list` 是你想要优化的变量列表。如果你想优化所有可训练的变量，可以使用 `model.trainable_variables`：

optimizer.minimize(loss, var_list=model.trainable_variables)

如果你使用的是 TensorFlow 1.x，则可以按照以下方式使用优化器：

optimizer = tf.train.AdamOptimizer(learning_rate=learningrate)
train_op = optimizer.minimize(loss)

注意，在 TensorFlow 1.x 中，`minimize` 函数返回的是一个训练操作 `train_op`，而不是优化器本身。