小编给大家分享一下tensorflow中梯度求解的几种方式，希望大家阅读完这篇文章之后都有所收获，下面让我们一起去探讨吧！
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 )
计算ys关于xs的梯度，tf.gradients返回的结果是一个长度为len(xs)的tensor列表list，例如
tf.gradients(y, [x1, x2, x3]返回[dy/dx1, dy/dx2, dy/dx3]
当y与x无关时，即graph无x到y的路径， 则求y关于x的梯度时返回[None]；参数stop_gradients指定的变量对当前梯度求解而言， 梯度求解将止于这些变量。
a = tf.constant(0.) b = 2 * a g = tf.gradients(a + b, [a, b], stop_gradients=[a, b]) #梯度计算不再追溯a,b之前的变量
输出：
In: sess.run(g)
out:[1.0, 1.0]
如果不设置stop_gradients参数则反向传播梯度计算将追溯到最开始的值a,输出结果为：
In : sess.run(g)
Out: [3.0, 1.0]
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的封装，作用相同，但是tfgradients只返回梯度，compute_gradients返回梯度和可导的变量；tf.compute_gradients是optimizer.minimize()的第一步，optimizer.compute_gradients返回一个[(gradient, variable),…]的元组列表，其中gradient是tensor。
直观上，optimizer.compute_gradients只比tf.gradients多了一个variable输出。
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})在这个过程中，调用minimize方法的时候，底层进行的工作包括：
(1) 使用tf.optimizer.compute_gradients计算trainable_variables 集合中所有参数的梯度
(2) 用optimizer.apply_gradients来更新计算得到的梯度对应的变量
上面代码等价于下面代码
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.1) grads_and_vars = optimizer.compute_gradients(loss) train_op = optimizer.apply_gradients(grads_and_vars)
tf.stop_gradient( input, name=None )
tf.stop_gradient阻止input的变量参与梯度计算，即在梯度计算的过程中屏蔽input之前的graph。
返回：关于input的梯度
如果我们希望对梯度进行截断，那么就要自己计算出梯度，然后进行clip，最后应用到变量上，代码如下所示，接下来我们一一介绍其中的主要步骤
#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)))
tf.clip_by_global_norm(t_list, clip_norm, use_norm=None, name=None)
t_list 表示梯度张量
clip_norm是截取的比率
在应用这个函数之后，t_list[i]的更新公示变为：
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)
也就是分为两步：
(1) 计算所有梯度的平方和global_norm
(2) 如果梯度平方和 global_norm 超过我们指定的clip_norm，那么就对梯度进行缩放；否则就按照原本的计算结果
梯度裁剪实例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)
补充：tensorflow框架中几种计算梯度的方式
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 )
计算ys关于xs的梯度，tf.gradients返回的结果是一个长度为len(xs)的Tensor列表list，每个张量为sum(dy/dx)，即ys关于xs的导数。
tf.gradients(y, [x1, x2, x3]返回[dy/dx1, dy/dx2, dy/dx3]
当y与x无关时，即graph无x到y的路径， 则求y关于x的梯度时返回[None]
参数stop_gradients指定的变量对当前梯度求解而言， 梯度求解将止于这些变量。
实例：
a = tf.constant(0.) b = 2 * a g = tf.gradients(a + b, [a, b], stop_gradients=[a, b]) #梯度计算不再追溯a,b之前的变量
输出：
In: sess.run(g)
out:[1.0, 1.0]
如果不设置stop_gradients参数则反向传播梯度计算将追溯到最开始的值a,输出结果为：
In : sess.run(g)
Out: [3.0, 1.0]
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的封装1.
是optimizer.minimize()的第一步，返回(gradient, variable)的列表，其中gradient是tensor。
直观上，optimizer.compute_gradients只比tf.gradients多了一个variable输出。
tf.stop_gradient( input, name=None )
tf.stop_gradient阻止input的变量参与梯度计算，即在梯度计算的过程中屏蔽input之前的graph。
返回：关于input的梯度
应用：
1、EM算法，其中M步骤不应涉及通过E步骤的输出的反向传播。
2、Boltzmann机器的对比散度训练，在区分能量函数时，训练不得反向传播通过模型生成样本的图形。
3、对抗性训练，通过对抗性示例生成过程不会发生反向训练。
看完了这篇文章，相信你对“tensorflow中梯度求解的几种方式”有了一定的了解，如果想了解更多相关知识，欢迎关注亿速云行业资讯频道，感谢各位的阅读！
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
