如何解决优化器的雅可比计算
我在 tensorflow 中实现了一个扩展的卡尔曼滤波器优化器。我必须根据模型生成的预测计算雅可比而不是梯度。该模型正在生成一个热图，其中包含从不同视角检测到的对象，并将其放置在单个热图上。 我正在为渐变胶带使用以下循环：
image,label = inputs
with tf.GradientTape(persistent=True) as tape:
predictions = self(image)
loss = self.compiled_loss(label,predictions,regularization_losses=self.losses)
Hs = tape.jacobian(predictions,self.trainable_variables)
雅可比计算花费了太多时间。我的输出即预测大小是 177x152（热图图像）。我知道它正在创建一个 26907 个元素的矩阵。但是磁带不应该帮助雅可比更快地计算吗？我对 jacobian 的实现是错误的吗？或者这仅仅是计算二阶导数的缺点？
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
