python - 区别 - tf.gradients 与 tf.keras.backend.gradients

Question

作为 Tensorflow 新手，我试图了解 tf.gradients 和 tf.keras.backend.gradients 底层功能之间的区别。

后者找到输入特征值相对成本函数的梯度。

但是我无法清楚地了解前者是计算成本函数上的梯度还是输出概率(例如，考虑使用简单前馈网络进行二元分类的情况。这里的输出概率指的是单神经元最后一层的 Sigmoid 激活结果。成本由二元交叉熵给出)

我已经引用了 tf.gradients 的官方文档，但它简短而模糊(对我来说)，而且我没有得到清晰的图片 - 文档提到它只是“y” - 是成本还是输出概率？

为什么我需要渐变？实现基于梯度的基本特征归因。

Answer 1

它们基本上是相同的。 tf.keras 是 TensorFlow 的高级 API，用于构建和训练深度学习模型。它用于快速原型(prototype)设计、最先进的研究和生产。 tf.Keras 基本上在其后端使用 Tensorflow。通过查看tf.Keras源代码here ，我们可以看到 tf.keras.backend.gradients 确实使用了 tf.gradients:

# Part of Keras.backend.py

from tensorflow.python.ops import gradients as gradients_module

@keras_export('keras.backend.gradients')
def gradients(loss, variables):
  """Returns the gradients of `loss` w.r.t. `variables`.
  Arguments:
      loss: Scalar tensor to minimize.
      variables: List of variables.
  Returns:
      A gradients tensor.
  """
   # ========
   # Uses tensorflow's gradient function
   # ========
  return gradients_module.gradients(
      loss, variables, colocate_gradients_with_ops=True)