tf损失函数_在TensorF中定义成本/损失函数

我正在研究一个图网络问题&＃xff0c;我想利用TensorFlow的能力。在

但我在正确实现TensorFlow中的成本函数时遇到了困难。在

我的成本函数如下&＃xff1a;sum_i>j A_ij*log(pi_ij)&＃43;(1-A_ij)*log(1-pi_ij)

其中&＃xff1a;pi_ij &＃61; sigmoid(-|z_i-z_j|&＃43;beta)

| |是欧几里得距离&＃xff0c;pi_ij表示i和{}之间连接的机会&＃xff0c;A_ij &＃61; 1如果链接和0如果不是(在一个简单的邻接矩阵中)&＃xff0c;两者都是相同大小的矩阵。我已经用python和一个简单的SGD方法手动解决了这个优化问题。我计算成本函数如下&＃xff1a;

^{pr2}$

在TensorFlow中如何定义这样一个损失函数&＃xff1f;有可能吗&＃xff1f;任何帮助或推动在正确的方向将不胜感激。在

编辑

我在张量流中记下了&＃xff1a;tfY &＃61; tf.placeholder(shape&＃61;(15, 15), dtype&＃61;tf.float32)

with tf.variable_scope(&＃39;test&＃39;):

shape &＃61; [] # Shape [] means that we&＃39;re using a scalar variable

B &＃61; tf.Variable(tf.zeros(shape))

tfZ &＃61; tf.Variable(tf.zeros(shape&＃61;(15,2)))

def loss():

r &＃61; tf.reduce_sum(tfZ*tfZ, 1)

r &＃61; tf.reshape(r, [-1, 1])

D &＃61; tf.sqrt(r - 2*tf.matmul(tfZ, tf.transpose(tfZ)) &＃43; tf.transpose(r))

return tf.reduce_sum(tfY*tf.log(tf.sigmoid(D&＃43;B))&＃43;(1-tfY)*tf.log(1-tf.sigmoid(D&＃43;B)))

LOSS &＃61; loss()

GRADIENT &＃61; tf.gradients(LOSS, [B, tfZ])

sess &＃61; tf.Session()

sess.run(tf.global_variables_initializer())

tot_loss &＃61; sess.run(LOSS, feed_dict&＃61;{tfZ: Z,

tfY: Y})

print(tot_loss)

loss_grad &＃61; sess.run(GRADIENT, feed_dict&＃61;{tfZ: Z,

tfY: Y})

print(loss_grad)

打印以下内容&＃xff1a;-487.9079

[-152.56271, array([[nan, nan],

[nan, nan],

[nan, nan],

[nan, nan],

[nan, nan],

[nan, nan],

[nan, nan],

[nan, nan],

[nan, nan],

[nan, nan],

[nan, nan],

[nan, nan],

[nan, nan],

[nan, nan],

[nan, nan]], dtype&＃61;float32)]

我的beta值返回一个值&＃xff0c;将其乘以学习率可以提高分数&＃xff0c;但我的tfZ向量只返回nans&＃xff0c;我显然做错了什么&＃xff0c;如果有人能发现我做错了什么&＃xff0c;我将不胜感激。在