python - 如何在 Tensorflow 中仅使用 Python 制作自定义激活函数？

Question

假设您需要创建一个仅使用预定义的 tensorflow 构建块无法实现的激活函数，您能做什么？

所以在 Tensorflow 中可以制作自己的激活函数。但它相当复杂，你必须用C++编写它并重新编译整个tensorflow [1] [2] .

有没有更简单的方法？

Answer 1

就在这里!
信用:
很难找到信息并使其正常工作，但这里是从找到的原理和代码中复制的示例 here和 here .
要求:
在我们开始之前，有两个要求才能成功。首先，您需要能够将激活编写为 numpy 数组上的函数。其次，您必须能够将该函数的导数编写为 Tensorflow 中的函数(更简单)，或者在最坏的情况下编写为 numpy 数组上的函数。
写入激活函数:
所以让我们以这个函数为例，我们想要使用激活函数:

def spiky(x):
    r = x % 1
    if r <= 0.5:
        return r
    else:
        return 0

其外观如下:

第一步是将它变成一个 numpy 函数，这很容易:

import numpy as np
np_spiky = np.vectorize(spiky)

现在我们应该写出它的导数。
激活梯度:
在我们的例子中很简单，如果 x mod 1 < 0.5 则为 1，否则为 0。所以:

def d_spiky(x):
    r = x % 1
    if r <= 0.5:
        return 1
    else:
        return 0
np_d_spiky = np.vectorize(d_spiky)

现在是用它制作 TensorFlow 函数的困难部分。
将 numpy fct 转换为 tensorflow fct:
我们将首先将 np_d_spiky 变成一个 tensorflow 函数。 tensorflow 中有一个函数 tf.py_func(func, inp, Tout, stateful=stateful, name=name) [doc]它将任何 numpy 函数转换为 tensorflow 函数，因此我们可以使用它:

import tensorflow as tf
from tensorflow.python.framework import ops

np_d_spiky_32 = lambda x: np_d_spiky(x).astype(np.float32)


def tf_d_spiky(x,name=None):
    with tf.name_scope(name, "d_spiky", [x]) as name:
        y = tf.py_func(np_d_spiky_32,
                        [x],
                        [tf.float32],
                        name=name,
                        stateful=False)
        return y[0]

tf.py_func作用于张量列表(并返回张量列表)，这就是为什么我们有 [x] (并返回 y[0] )。 stateful选项是告诉 tensorflow 函数是否总是为相同的输入提供相同的输出(stateful = False)，在这种情况下，tensorflow 可以简单地绘制 tensorflow 图，这就是我们的情况，并且在大多数情况下可能都是这种情况。此时需要注意的一件事是 numpy 使用了 float64但 tensorflow 使用 float32所以你需要转换你的函数来使用 float32在您将其转换为 tensorflow 函数之前，否则 tensorflow 会提示。这就是为什么我们需要制作 np_d_spiky_32第一的。
梯度呢？ 仅执行上述操作的问题在于，即使我们现在有 tf_d_spiky这是 np_d_spiky 的 tensorflow 版本，如果我们愿意，我们不能将其用作激活函数，因为 tensorflow 不知道如何计算该函数的梯度。
破解获得梯度:正如在上面提到的来源中所解释的，有一个技巧可以使用 tf.RegisterGradient 来定义函数的梯度。 [doc]和 tf.Graph.gradient_override_map [doc] .从 harpone 复制代码我们可以修改 tf.py_func函数使其同时定义梯度:

def py_func(func, inp, Tout, stateful=True, name=None, grad=None):
    
    # Need to generate a unique name to avoid duplicates:
    rnd_name = 'PyFuncGrad' + str(np.random.randint(0, 1E+8))
    
    tf.RegisterGradient(rnd_name)(grad)  # see _MySquareGrad for grad example
    g = tf.get_default_graph()
    with g.gradient_override_map({"PyFunc": rnd_name}):
        return tf.py_func(func, inp, Tout, stateful=stateful, name=name)

现在我们差不多完成了，唯一的事情是我们需要传递给上面的py_func函数的grad函数需要采取特殊的形式。它需要接受一个操作，以及操作前的先前梯度，并在操作后向后传播梯度。
梯度函数:因此，对于我们的尖峰激活函数，我们将这样做:

def spikygrad(op, grad):
    x = op.inputs[0]

    n_gr = tf_d_spiky(x)
    return grad * n_gr  

激活函数只有一个输入，这就是为什么 x = op.inputs[0] .如果操作有很多输入，我们需要返回一个元组，每个输入一个梯度。例如，如果操作是 a-b关于 a 的梯度是 +1和关于 b是 -1所以我们会有 return +1*grad,-1*grad .请注意，我们需要返回输入的 tensorflow 函数，这就是为什么需要 tf_d_spiky , np_d_spiky不会起作用，因为它不能作用于 tensorflow 张量。或者，我们可以使用 tensorflow 函数编写导数:

def spikygrad2(op, grad):
    x = op.inputs[0]
    r = tf.mod(x,1)
    n_gr = tf.to_float(tf.less_equal(r, 0.5))
    return grad * n_gr  

将它们组合在一起:现在我们有了所有的部分，我们可以将它们组合在一起:

np_spiky_32 = lambda x: np_spiky(x).astype(np.float32)

def tf_spiky(x, name=None):
    
    with tf.name_scope(name, "spiky", [x]) as name:
        y = py_func(np_spiky_32,
                        [x],
                        [tf.float32],
                        name=name,
                        grad=spikygrad)  # <-- here's the call to the gradient
        return y[0]

现在我们完成了。我们可以测试它。
测试:

with tf.Session() as sess:

    x = tf.constant([0.2,0.7,1.2,1.7])
    y = tf_spiky(x)
    tf.initialize_all_variables().run()
    
    print(x.eval(), y.eval(), tf.gradients(y, [x])[0].eval())

[ 0.2 0.69999999 1.20000005 1.70000005] [ 0.2 0. 0.20000005 0.] [ 1. 0. 1. 0.]

成功!