当我尝试将tf.train.stg(learningRate).minimize(loss)这个函数集成到我的代码中以进行反向传播时，我遇到了多个错误，例如传递给variableGrads(f)的f必须是一个函数。我该如何成功地将上述函数集成到下面的代码中？为什么会出现这个错误？
神经网络:
var X = tf.tensor([[1,2,3], [4,5,6], [7,8,9], [10,11,12]]) var Y = tf.tensor([[0,0,0],[0,0,0], [1,1,1]]) var m = X.shape[0] var a0 = tf.zeros([1,3]) var y_hat = tf.zeros([1,3]) var parameters = { "Wax": tf.randomUniform([1,3]), "Waa": tf.randomUniform([3,3]), "ba": tf.zeros([1,3]), "Wya": tf.randomUniform([3,3]), "by": tf.zeros([1,3]) } function RNN_cell_Foward(xt, a_prev, parameters){ var Wax = parameters["Wax"] var Waa = parameters["Waa"] var ba = parameters["ba"] var a_next = tf.sigmoid(tf.add(tf.add(tf.matMul(xt, Wax), tf.matMul(a_prev , Waa)),ba)) return a_next } function RNN_FowardProp(X, a0, parameters){ var T_x = X.shape[0] var a_next = a0 var i = 1 var Wya = parameters["Wya"] var by = parameters["by"] var l = 1 for(; i <= T_x; i++){ var X_i = X.slice([i-1,0],[1,-1]) for(; l <= X.shape[1]; l++){ var xt = X_i.slice([0,l-1],[1,1]) var a_next = RNN_cell_Foward(xt, a_next, parameters) } var y_pred = tf.sigmoid((tf.add(tf.matMul(a_next, Wya), by))) l = 1 if (i == 1){ var y_pred1 = y_pred } else if (i == 2) { var y_pred2 = y_pred } else if (i == 3) { var y_pred3 = y_pred } } var y_predx = tf.concat([y_pred1, y_pred2, y_pred3]) return y_predx } const learningRate = 0.01; var optimizer = tf.train.sgd(learningRate); var model = RNN_FowardProp(X, a0, parameters) var loss = tf.losses.meanSquaredError(Y, model) for (let f = 0; f < 10; f++) { optimizer.minimize(loss) }这是一个用于情感分类的多对一结构的神经网络。
回答：
错误信息已经说明了一切:
传递给variableGrads(f)的f必须是一个函数
optimizer.minimize期望接收一个函数作为参数，而不是一个张量。由于代码试图最小化均方误差，minimize的参数可以是一个计算预测值和期望值之间均方误差的函数。
const loss = (pred, label) => pred.sub(label).square().mean();for (let f = 0; f < 10; f++) { optimizer.minimize(() => tf.losses.meanSquaredError(Y, model))}这是否解决了问题？还不完全。错误会变成类似于:
variableGrads()期望至少有一个输入变量是可训练的这是什么意思？当使用优化器时，它期望作为参数传递的函数包含其值将被更新以最小化函数输出的变量。
需要做的更改如下:
var Y = tf.tensor([[0,0,0],[0,0,0], [1,1,1]]).variable() // 改为变量// var loss = tf.losses.meanSquaredError(Y, model)// 在minimize函数中计算const learningRate = 0.01;var optimizer = tf.train.sgd(learningRate);var model = RNN_FowardProp(X, a0, parameters);const loss = (pred, label) => pred.sub(label).square().mean();for (let f = 0; f < 10; f++) { optimizer.minimize(() => tf.losses.meanSquaredError(Y, model))}