tensorflow中differential_evolution_minimize的多维输入-概率？

Question

我想要应用差分进化算法来最小化采用多维输入张量的目标函数。

以下是到目前为止的代码：

import tensorflow as tf
import tensorflow_probability.python as tfp
import numpy as np
tf.enable_eager_execution()

# Create objective function
def objective_fn(x):
  return x[0] ** 2 + x[1] ** 2 

# Generate a population
population_size = 40
initial_population = np.random.uniform(low=0.0, high=1.0, size=[population_size, 2])

#optimize
optim_results = tfp.optimizer.differential_evolution_minimize(objective_fn, initial_population=initial_population, seed=43210)
print(optim_results.position)  

我收到以下错误：

InvalidArgumentError: Number of batches of 'then' must match size of 'cond', but saw: 40 vs. 2 [Op:Select]

Answer 1

differential_evolution_minimize expects您的目标函数接受一组候选解决方案作为输入，而不是单个候选解决方案。在您的代码中，您打算使用x[0]访问候选解决方案的第一个元素，但这实际上是从40个候选解决方案中获得第一个二维候选解决方案。因此，您的目标函数的输出是二维张量，而tensorflow期望它是40维的，因此出现了错误。

要为您的简单示例解决此问题，您必须重新定义目标函数，以便它使用张量进行操作，例如，如下所示：

def objective_fn(x):
    return(tf.reduce_sum(input_tensor=x**2, axis=-1))

现在，假设您的目标函数只是一个演示问题的玩具示例，您可能仍然希望单独访问各个候选解决方案的元素。如果你真的需要它，确实可以通过遍历种群来实现，但对于任何现实生活中的应用程序来说，这都会大大降低性能：

def objective_fn(x_population):
    result_numpy = [x[0].numpy() ** 2 + x[1].numpy() ** 2 for x in x_population]
    return(tf.constant(result_numpy))