tf.trainable_variables可以得到整个模型中所有trainable=True的Variable，也是自由处理梯度的基础

基础梯度操作方法：

tf.gradients
用来计算导数。该函数的定义如下所示

def gradients(ys,

              xs,

              grad_ys=None,

              name="gradients",

              colocate_gradients_with_ops=False,

              gate_gradients=False,

              aggregation_method=None):

虽然可选参数很多，但是最常使用的还是ys和xs。根据说明得知，ys和xs都可以是一个tensor或者tensor列表。而计算完成以后，该函数会返回一个长为len(xs)的tensor列表，列表中的每个tensor是ys中每个值对xs[i]求导之和。如果用数学公式表示的话，那么 g = tf.gradients(y,x)可以表示成，

『cs231n』通过代码理解风格迁移

tf.gradients(loss, model.input_tensor)  # 计算梯度，并非使用optimizer类实现

tf.clip_by_global_norm

修正梯度值，用于控制梯度爆炸的问题。梯度爆炸和梯度弥散的原因一样，都是因为链式法则求导的关系，导致梯度的指数级衰减。为了避免梯度爆炸，需要对梯度进行修剪。
先来看这个函数的定义：

def clip_by_global_norm(t_list, clip_norm, use_norm=None, name=None):

输入参数中：t_list为待修剪的张量, clip_norm 表示修剪比例(clipping ratio).

函数返回2个参数： list_clipped，修剪后的张量，以及global_norm，一个中间计算量。当然如果你之前已经计算出了global_norm值，你可以在use_norm选项直接指定global_norm的值。

那么具体如何计算呢？根据源码中的说明，可以得到

list_clipped[i]=t_list[i] * clip_norm / max(global_norm, clip_norm)，

其中 global_norm = sqrt(sum([l2norm(t)**2 for t in t_list]))

可以写作

其中，
Lic和Lig代表t_list[i]和list_clipped[i]，
Nc和Ng代表clip_norm 和 global_norm的值。
其实也可以看到其实Ng就是t_list的L2模。上式也可以进一步写作

也就是说，当t_list的L2模大于指定的Nc时，就会对t_list做等比例缩放。

这里讲解一下具体应用于优化器的方法，

self._lr = tf.Variable(0.0, trainable=False)  # lr 指的是 learning_rate

tvars = tf.trainable_variables()

grads, _ = tf.clip_by_global_norm(tf.gradients(cost, tvars),

                                    config.max_grad_norm)

# 梯度下降优化，指定学习速率

optimizer = tf.train.GradientDescentOptimizer(self._lr)

# optimizer = tf.train.AdamOptimizer()

# optimizer = tf.train.GradientDescentOptimizer(0.5)

self._train_op = optimizer.apply_gradients(zip(grads, tvars))  # 将梯度应用于变量

# self._train_op = optimizer.minimize(grads)

优化器类处理法：

『TensorFlow』网络操作API_下

提取梯度，使用梯度优化变量，效果和上面的例子相同，

# 创建一个optimizer.

opt = GradientDescentOptimizer(learning_rate=0.1)

# 计算<list of variables>相关的梯度

grads_and_vars = opt.compute_gradients(loss, <list of variables>)

# grads_and_vars为tuples (gradient, variable)组成的列表。

#对梯度进行想要的处理，比如cap处理

capped_grads_and_vars = [(MyCapper(gv[0]), gv[1]) for gv in grads_and_vars]

# 令optimizer运用capped的梯度(gradients)

opt.apply_gradients(capped_grads_and_vars)

巴特西

『TensorFlow』梯度优化相关

基础梯度操作方法：

优化器类处理法：

最新文章

热门文章