基於TensorFlow中自定義梯度的2種方式
前言
在深度學習中,有時候我們需要對某些節點的梯度進行一些定製,特別是該節點操作不可導(比如階梯除法如 ),如果實在需要對這個節點進行操作,而且希望其可以反向傳播,那麼就需要對其進行自定義反向傳播時的梯度。在有些場景,如[2]中介紹到的梯度反轉(gradient inverse)中,就必須在某層節點對反向傳播的梯度進行反轉,也就是需要更改正常的梯度傳播過程,如下圖的 所示。
在tensorflow中有若干可以實現定製梯度的方法,這裡介紹兩種。
1. 重寫梯度法
重寫梯度法指的是通過tensorflow自帶的機制,將某個節點的梯度重寫(override),這種方法的適用性最廣。我們這裡舉個例子[3].
符號函式的前向傳播採用的是階躍函式y=sign(x) y = \rm{sign}(x)y=sign(x),如下圖所示,我們知道階躍函式不是連續可導的,因此我們在反向傳播時,將其替代為一個可以連續求導的函式y=Htanh(x) y = \rm{Htanh(x)}y=Htanh(x),於是梯度就是大於1和小於-1時為0,在-1和1之間時是1。
使用重寫梯度的方法如下,主要是涉及到tf.RegisterGradient()和tf.get_default_graph().gradient_override_map(),前者註冊新的梯度,後者重寫圖中具有名字name='Sign'的操作節點的梯度,用在新註冊的QuantizeGrad替代。
#使用修飾器,建立梯度反向傳播函式。其中op.input包含輸入值、輸出值,grad包含上層傳來的梯度 @tf.RegisterGradient("QuantizeGrad") def sign_grad(op,grad): input = op.inputs[0] # 取出當前的輸入 cond = (input>=-1)&(input<=1) # 大於1或者小於-1的值的位置 zeros = tf.zeros_like(grad) # 定義出0矩陣用於掩膜 return tf.where(cond,grad,zeros) # 將大於1或者小於-1的上一層的梯度置為0 #使用with上下文管理器覆蓋原始的sign梯度函式 def binary(input): x = input with tf.get_default_graph().gradient_override_map({"Sign":'QuantizeGrad'}): #重寫梯度 x = tf.sign(x) return x #使用 x = binary(x)
其中的def sign_grad(op,grad):是註冊新的梯度的套路,其中的op是當前操作的輸入值/張量等,而grad指的是從反向而言的上一層的梯度。
通常來說,在tensorflow中自定義梯度,函式tf.identity()是很重要的,其API手冊如下:
tf.identity( input,name=None )
其會返回一個形狀和內容都和輸入完全一樣的輸出,但是你可以自定義其反向傳播時的梯度,因此在梯度反轉等操作中特別有用。
這裡再舉個反向梯度[2]的例子,也就是梯度為 而不是
import tensorflow as tf x1 = tf.Variable(1) x2 = tf.Variable(3) x3 = tf.Variable(6) @tf.RegisterGradient('CustomGrad') def CustomGrad(op,grad): # tf.Print(grad) return -grad g = tf.get_default_graph() oo = x1+x2 with g.gradient_override_map({"Identity": "CustomGrad"}): output = tf.identity(oo) grad_1 = tf.gradients(output,oo) with tf.Session() as sess: sess.run(tf.global_variables_initializer()) print(sess.run(grad_1))
因為-grad,所以這裡的梯度輸出是[-1]而不是[1]。有一個我們需要注意的是,在自定義函式def CustomGrad()中,返回的值得是一個張量,而不能返回一個引數,比如return 0,這樣會報錯,如:
AttributeError: 'int' object has no attribute 'name'
顯然,這是因為tensorflow的內部操作需要取返回值的名字而int型別沒有名字。
PS:def CustomGrad()這個函式簽名是隨便你取的。
2. stop_gradient法
對於自定義梯度,還有一種比較簡潔的操作,就是利用tf.stop_gradient()函式,我們看下例子[1]:
t = g(x) y = t + tf.stop_gradient(f(x) - t)
這裡,我們本來的前向傳遞函式是f(x),但是想要在反向時傳遞的函式是g(x),因為在前向過程中,tf.stop_gradient()不起作用,因此+t和-t抵消掉了,只剩下f(x)前向傳遞;而在反向過程中,因為tf.stop_gradient()的作用,使得f(x)-t的梯度變為了0,從而只剩下g(x)在反向傳遞。
我們看下完整的例子:
import tensorflow as tf x1 = tf.Variable(1) x2 = tf.Variable(3) x3 = tf.Variable(6) f = x1+x2*x3 t = -f y1 = t + tf.stop_gradient(f-t) y2 = f grad_1 = tf.gradients(y1,x1) grad_2 = tf.gradients(y2,x1) with tf.Session(config=config) as sess: sess.run(tf.global_variables_initializer()) print(sess.run(grad_1)) print(sess.run(grad_2))
第一個輸出為[-1],第二個輸出為[1],顯然也實現了梯度的反轉。
以上這篇基於TensorFlow中自定義梯度的2種方式就是小編分享給大家的全部內容了,希望能給大家一個參考,也希望大家多多支援我們。