1. tensorflow中梯度求解的幾種方式
1.1 tf.gradients
tf.gradients(
ys,
xs,
grad_ys=None,
name='gradients',
colocate_gradients_with_ops=False,
gate_gradients=False,
aggregation_method=None,
stop_gradients=None,
unconnected_gradients=tf.UnconnectedGradients.NONE
)
計(jì)算ys關(guān)于xs的梯度，tf.gradients返回的結(jié)果是一個長度為len(xs)的tensor列表list，例如
tf.gradients(y, [x1, x2, x3]返回[dy/dx1, dy/dx2, dy/dx3]
當(dāng)y與x無關(guān)時，即graph無x到y(tǒng)的路徑， 則求y關(guān)于x的梯度時返回[None]；參數(shù)stop_gradients指定的變量對當(dāng)前梯度求解而言， 梯度求解將止于這些變量。
a = tf.constant(0.)
b = 2 * a
g = tf.gradients(a + b, [a, b], stop_gradients=[a, b]) #梯度計(jì)算不再追溯a,b之前的變量
輸出：
In: sess.run(g)
out:[1.0, 1.0]
如果不設(shè)置stop_gradients參數(shù)則反向傳播梯度計(jì)算將追溯到最開始的值a,輸出結(jié)果為：
In : sess.run(g)
Out: [3.0, 1.0]
1.2 optimizer.compute_gradients
compute_gradients(
loss,
var_list=None,
gate_gradients=GATE_OP,
aggregation_method=None,
colocate_gradients_with_ops=False,
grad_loss=None
)
optimizer.compute_gradients是tf.gradients的封裝，作用相同，但是tfgradients只返回梯度，compute_gradients返回梯度和可導(dǎo)的變量；tf.compute_gradients是optimizer.minimize()的第一步，optimizer.compute_gradients返回一個[(gradient, variable),…]的元組列表，其中g(shù)radient是tensor。
直觀上，optimizer.compute_gradients只比tf.gradients多了一個variable輸出。
optimizer = tf.train.GradientDescentOptimizer(learning_rate = 1.0)
self.train_op = optimizer.minimize(self.cost)
sess.run([train_op], feed_dict={x:data, y:labels})
在這個過程中，調(diào)用minimize方法的時候，底層進(jìn)行的工作包括：
(1) 使用tf.optimizer.compute_gradients計(jì)算trainable_variables 集合中所有參數(shù)的梯度
(2) 用optimizer.apply_gradients來更新計(jì)算得到的梯度對應(yīng)的變量
上面代碼等價于下面代碼
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.1)
grads_and_vars = optimizer.compute_gradients(loss)
train_op = optimizer.apply_gradients(grads_and_vars)
1.3 tf.stop_gradient
tf.stop_gradient(
input,
name=None
)
tf.stop_gradient阻止input的變量參與梯度計(jì)算，即在梯度計(jì)算的過程中屏蔽input之前的graph。
返回：關(guān)于input的梯度
2. 梯度裁剪
如果我們希望對梯度進(jìn)行截?cái)?，那么就要自己?jì)算出梯度，然后進(jìn)行clip，最后應(yīng)用到變量上，代碼如下所示，接下來我們一一介紹其中的主要步驟
#return a list of trainable variable in you model
params = tf.trainable_variables()
#create an optimizer
opt = tf.train.GradientDescentOptimizer(self.learning_rate)
#compute gradients for params
gradients = tf.gradients(loss, params)
#process gradients
clipped_gradients, norm = tf.clip_by_global_norm(gradients,max_gradient_norm)
train_op = opt.apply_gradients(zip(clipped_gradients, params)))
2.1 tf.clip_by_global_norm介紹
tf.clip_by_global_norm(t_list, clip_norm, use_norm=None, name=None)
t_list 表示梯度張量
clip_norm是截取的比率
在應(yīng)用這個函數(shù)之后，t_list[i]的更新公示變?yōu)椋?/p>
global_norm = sqrt(sum(l2norm(t)**2 for t in t_list))
t_list[i] = t_list[i] * clip_norm / max(global_norm, clip_norm)
也就是分為兩步：
(1) 計(jì)算所有梯度的平方和global_norm
(2) 如果梯度平方和 global_norm 超過我們指定的clip_norm，那么就對梯度進(jìn)行縮放；否則就按照原本的計(jì)算結(jié)果
梯度裁剪實(shí)例2
loss = w*x*x
optimizer = tf.train.GradientDescentOptimizer(0.1)
grads_and_vars = optimizer.compute_gradients(loss,[w,x])
grads = tf.gradients(loss,[w,x])
# 修正梯度
for i,(gradient,var) in enumerate(grads_and_vars):
if gradient is not None:
grads_and_vars[i] = (tf.clip_by_norm(gradient,5),var)
train_op = optimizer.apply_gradients(grads_and_vars)
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
print(sess.run(grads_and_vars))
# 梯度修正前[(9.0, 2.0), (12.0, 3.0)]；梯度修正后 ，[(5.0, 2.0), (5.0, 3.0)]
print(sess.run(grads)) #[9.0, 12.0]，
print(train_op)
補(bǔ)充：tensorflow框架中幾種計(jì)算梯度的方式
1. tf.gradients
tf.gradients(
ys,
xs,
grad_ys=None,
name='gradients',
colocate_gradients_with_ops=False,
gate_gradients=False,
aggregation_method=None,
stop_gradients=None,
unconnected_gradients=tf.UnconnectedGradients.NONE
)
計(jì)算ys關(guān)于xs的梯度，tf.gradients返回的結(jié)果是一個長度為len(xs)的Tensor列表list，每個張量為sum(dy/dx)，即ys關(guān)于xs的導(dǎo)數(shù)。
例子：
tf.gradients(y, [x1, x2, x3]返回[dy/dx1, dy/dx2, dy/dx3]
當(dāng)y與x無關(guān)時，即graph無x到y(tǒng)的路徑， 則求y關(guān)于x的梯度時返回[None]
參數(shù)stop_gradients指定的變量對當(dāng)前梯度求解而言， 梯度求解將止于這些變量。
實(shí)例：
a = tf.constant(0.)
b = 2 * a
g = tf.gradients(a + b, [a, b], stop_gradients=[a, b]) #梯度計(jì)算不再追溯a,b之前的變量
輸出：
In: sess.run(g)
out:[1.0, 1.0]
如果不設(shè)置stop_gradients參數(shù)則反向傳播梯度計(jì)算將追溯到最開始的值a,輸出結(jié)果為：
In : sess.run(g)
Out: [3.0, 1.0]
2. optimizer.compute_gradients
compute_gradients(
loss,
var_list=None,
gate_gradients=GATE_OP,
aggregation_method=None,
colocate_gradients_with_ops=False,
grad_loss=None
)
optimizer.compute_gradients是tf.gradients的封裝1.
是optimizer.minimize()的第一步，返回(gradient, variable)的列表，其中g(shù)radient是tensor。
直觀上，optimizer.compute_gradients只比tf.gradients多了一個variable輸出。
3. tf.stop_gradient
tf.stop_gradient(
input,
name=None
)
tf.stop_gradient阻止input的變量參與梯度計(jì)算，即在梯度計(jì)算的過程中屏蔽input之前的graph。
返回：關(guān)于input的梯度
應(yīng)用：
1、EM算法，其中M步驟不應(yīng)涉及通過E步驟的輸出的反向傳播。
2、Boltzmann機(jī)器的對比散度訓(xùn)練，在區(qū)分能量函數(shù)時，訓(xùn)練不得反向傳播通過模型生成樣本的圖形。
3、對抗性訓(xùn)練，通過對抗性示例生成過程不會發(fā)生反向訓(xùn)練。
以上為個人經(jīng)驗(yàn)，希望能給大家一個參考，也希望大家多多支持腳本之家。
您可能感興趣的文章:- 使用tensorflow 實(shí)現(xiàn)反向傳播求導(dǎo)
- TensorFlow的自動求導(dǎo)原理分析
- Tensorflow 如何從checkpoint文件中加載變量名和變量值
- Python3安裝tensorflow及配置過程
- 解決tensorflow 與keras 混用之坑
- tensorflow中的數(shù)據(jù)類型dtype用法說明
