我正在尝试计算两张图像之间的l2_loss并获取它们的gradient。这里是我的代码片段：

with tf.name_scope("train"):    X = tf.placeholder(tf.float32, [1, None, None, None], name='X')    y = tf.placeholder(tf.float32, [1, None, None, None], name='y')    Z = tf.nn.l2_loss(X - y, name="loss")    step_loss = tf.reduce_mean(Z)    optimizer = tf.train.AdamOptimizer()    training_op = optimizer.minimize(step_loss)init = tf.global_variables_initializer()with tf.Session() as sess:    init.run()    content = tf.gfile.FastGFile('cat.0.jpg', 'rb').read()    noise = tf.gfile.FastGFile('color_img.jpg', 'rb').read()    loss_append = []    for epoch in range(10):        for layer in layers:            c = sess.run(layer, feed_dict={input_img: content})            n = sess.run(layer, feed_dict={input_img: noise})            sess.run(training_op, feed_dict={X: c, y: n})

但它给出了以下错误：

    Traceback (most recent call last):   File "/home/noise_image.py",     line 68, in <module>    training_op = optimizer.minimize(lossss)   File "/usr/local/lib/python2.7/dist-packages/tensorflow/python/training /optimizer.py", line 315, in minimize    grad_loss=grad_loss)   File "/usr/local/lib/python2.7/dist-packages/tensorflow/python/training   /optimizer.py", line 380, in compute_gradients    raise ValueError("No variables to optimize.")ValueError: No variables to optimize. 

如何解决这个问题？

回答：

您构建的图中没有变量节点。您也在尝试在没有变量的情况下最小化损失函数。

最小化指的是为数学函数（成本函数）的变量找到一组值，当这些值代入函数时，得到的最小可能值（至少是局部最小值，因为我们通常处理的是非凸函数）。

因此，当您运行代码时，编译器抱怨您的成本函数中没有变量。澄清一下，placeholder指的是在运行时用于向图的各种输入提供值的对象。

要解决这个问题，您需要重新考虑您试图构建的图。您必须定义变量，类似这样：（忽略与此问题无关的代码部分）

with tf.name_scope("train"):    X = tf.placeholder(tf.float32, [1, 224, 224, 3], name='X')    y = tf.placeholder(tf.float32, [1, 224, 224, 3], name='y')     X_var = tf.get_variable('X_var', dtype = tf.float32, initializer = tf.random_normal((1, 224, 224, 3)))    y_var = tf.get_variable('y_var', dtype = tf.float32, initializer = tf.random_normal((1, 224, 224, 3)))    Z = tf.nn.l2_loss((X_var - X) ** 2 + (y_var - y) ** 2, name="loss")    step_loss = tf.reduce_mean(Z)    optimizer = tf.train.AdamOptimizer()    training_op = optimizer.minimize(step_loss)...with tf.Session() as sess:    ....    sess.run(training_op, feed_dict={X: c, y: n})