- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我正在尝试切换到 TensorFlow 热切模式,我找到了 GradientTape
的文档, implicit_gradients
, gradients_function
和 implicit_value_and_gradients
令人困惑。
它们之间有什么区别?我什么时候应该使用一个?
intro point in the documentation根本没有提到隐式*函数,但几乎 TensorFlow 存储库中的所有示例似乎都使用该方法来计算梯度。
最佳答案
当启用 Eager Execution 时,有 4 种方法可以自动计算梯度(实际上,它们也可以在图形模式下工作):
tf.GradientTape
上下文记录计算,以便您可以调用 tfe.gradient()
获取在记录任何可训练变量时计算的任何张量的梯度。 tfe.gradients_function()
接受一个函数(比如 f()
)并返回一个梯度函数(比如 fg()
),它可以计算 f()
的输出的梯度关于f()
的参数(或其中的一个子集)。 tfe.implicit_gradients()
非常相似,但 fg()
计算 f()
的输出梯度关于这些输出所依赖的所有可训练变量。 tfe.implicit_value_and_gradients()
几乎相同,但 fg()
还返回函数 f()
的输出. tf.GradientTape
和
tfe.implicit_value_and_gradients()
(另外两个选项不会给你损失本身的值(value),所以如果你需要它,它将需要额外的计算)。我个人更喜欢
tfe.implicit_value_and_gradients()
编写生产代码时,和
tf.GradientTape
在 Jupyter 笔记本中进行实验时。
tf.GradientTape
遗迹。也许其他功能会被添加回来,但我不会指望它。
import tensorflow as tf
import tensorflow.contrib.eager as tfe
tf.enable_eager_execution()
w1 = tfe.Variable(2.0)
w2 = tfe.Variable(3.0)
def weighted_sum(x1, x2):
return w1 * x1 + w2 * x2
s = weighted_sum(5., 7.)
print(s.numpy()) # 31
tf.GradientTape
GradientTape
上下文,所有操作都被记录下来,然后你可以计算上下文中计算的任何张量的梯度,关于任何可训练的变量。例如,此代码计算
s
内
GradientTape
上下文,然后计算
s
的梯度关于
w1
.自
s = w1 * x1 + w2 * x2
,
s
的梯度关于
w1
是
x1
:
with tf.GradientTape() as tape:
s = weighted_sum(5., 7.)
[w1_grad] = tape.gradient(s, [w1])
print(w1_grad.numpy()) # 5.0 = gradient of s with regards to w1 = x1
tfe.gradients_function()
s
的梯度。关于
x1
和
x2
:
grad_fn = tfe.gradients_function(weighted_sum)
x1_grad, x2_grad = grad_fn(5., 7.)
print(x1_grad.numpy()) # 2.0 = gradient of s with regards to x1 = w1
weighted_sum()
取函数
w1
和
w2
作为参数,并告诉
tfe.gradients_function()
只考虑名为
"w1"
的参数和
"w2"
:
def weighted_sum_with_weights(w1, x1, w2, x2):
return w1 * x1 + w2 * x2
grad_fn = tfe.gradients_function(weighted_sum_with_weights, params=["w1", "w2"])
[w1_grad, w2_grad] = grad_fn(w1, 5., w2, 7.)
print(w2_grad.numpy()) # 7.0 = gradient of s with regards to w2 = x2
tfe.implicit_gradients()
weighted_sum()
的第一个版本,我们可以用它来计算
s
的梯度关于
w1
和
w2
无需显式传递这些变量。请注意,梯度函数返回一个梯度/变量对列表:
grad_fn = tfe.implicit_gradients(weighted_sum)
[(w1_grad, w1_var), (w2_grad, w2_var)] = grad_fn(5., 7.)
print(w1_grad.numpy()) # 5.0 = gradient of s with regards to w1 = x1
assert w1_var is w1
assert w2_var is w2
w1
无法训练 (
w1 = tfe.Variable(2., trainable=False)
) 并重新定义
weighted_sum()
,你会看到
grad_fn
只返回
s
的梯度关于
w2
.
tfe.implicit_value_and_gradients()
implicit_gradients()
几乎相同除了它创建的函数还返回被微分的函数的结果(在这种情况下
weighted_sum()
):
grad_fn = tfe.implicit_value_and_gradients(weighted_sum)
s, [(w1_grad, w1_var), (w2_grad, w2_var)] = grad_fn(5., 7.)
print(s.numpy()) # 31.0 = s = w1 * x1 + w2 * x2
关于tensorflow - GradientTape、implicit_gradients、gradients_function 和implicit_value_and_gradients 之间有什么区别?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/50098971/
我想将模型及其各自训练的权重从 tensorflow.js 转换为标准 tensorflow,但无法弄清楚如何做到这一点,tensorflow.js 的文档对此没有任何说明 我有一个 manifest
我有一个运行良好的 TF 模型,它是用 Python 和 TFlearn 构建的。有没有办法在另一个系统上运行这个模型而不安装 Tensorflow?它已经经过预训练,所以我只需要通过它运行数据。 我
当执行 tensorflow_model_server 二进制文件时,它需要一个模型名称命令行参数,model_name。 如何在训练期间指定模型名称,以便在运行 tensorflow_model_s
我一直在 R 中使用标准包进行生存分析。我知道如何在 TensorFlow 中处理分类问题,例如逻辑回归,但我很难将其映射到生存分析问题。在某种程度上,您有两个输出向量而不是一个输出向量(time_t
Torch7 has a library for generating Gaussian Kernels在一个固定的支持。 Tensorflow 中有什么可比的吗?我看到 these distribu
在Keras中我们可以简单的添加回调,如下所示: self.model.fit(X_train,y_train,callbacks=[Custom_callback]) 回调在doc中定义,但我找不到
我正在寻找一种在 tensorflow 中有条件打印节点的方法,使用下面的示例代码行,其中每 10 个循环计数,它应该在控制台中打印一些东西。但这对我不起作用。谁能建议? 谢谢,哈米德雷萨, epsi
我想使用 tensorflow object detection API 创建我自己的 .tfrecord 文件,并将它们用于训练。该记录将是原始数据集的子集,因此模型将仅检测特定类别。我不明白也无法
我在 TensorFlow 中训练了一个聊天机器人,想保存模型以便使用 TensorFlow.js 将其部署到 Web。我有以下内容 checkpoint = "./chatbot_weights.c
我最近开始学习 Tensorflow,特别是我想使用卷积神经网络进行图像分类。我一直在看官方仓库中的android demo,特别是这个例子:https://github.com/tensorflow
我目前正在研究单图像超分辨率,并且我设法卡住了现有的检查点文件并将其转换为 tensorflow lite。但是,使用 .tflite 文件执行推理时,对一张图像进行上采样所需的时间至少是使用 .ck
我注意到 tensorflow 的 api 中已经有批量标准化函数。我不明白的一件事是如何更改训练和测试之间的程序? 批量归一化在测试和训练期间的作用不同。具体来说,在训练期间使用固定的均值和方差。
我创建了一个模型,该模型将 Mobilenet V2 应用于 Google colab 中的卷积基础层。然后我使用这个命令转换它: path_to_h5 = working_dir + '/Tenso
代码取自:- http://adventuresinmachinelearning.com/python-tensorflow-tutorial/ import tensorflow as tf fr
好了,所以我准备在Tensorflow中运行 tf.nn.softmax_cross_entropy_with_logits() 函数。 据我了解,“logit”应该是概率的张量,每个对应于某个像素的
tensorflow 服务构建依赖于大型 tensorflow ;但我已经成功构建了 tensorflow。所以我想用它。我做这些事情:我更改了 tensorflow 服务 WORKSPACE(org
Tensoflow 嵌入层 ( https://www.tensorflow.org/api_docs/python/tf/keras/layers/Embedding ) 易于使用, 并且有大量的文
我正在尝试使用非常大的数据集(比我的内存大得多)训练 Tensorflow 模型。 为了充分利用所有可用的训练数据,我正在考虑将它们分成几个小的“分片”,并一次在一个分片上进行训练。 经过一番研究,我
根据 Sutton 的书 - Reinforcement Learning: An Introduction,网络权重的更新方程为: 其中 et 是资格轨迹。 这类似于带有额外 et 的梯度下降更新。
如何根据条件选择执行图表的一部分? 我的网络有一部分只有在 feed_dict 中提供占位符值时才会执行.如果未提供该值,则采用备用路径。我该如何使用 tensorflow 来实现它? 以下是我的代码
我是一名优秀的程序员,十分优秀!