时间戳

首页 > 解决方案 > 这个“单一”值在渐变中代表什么？

python - 这个“单一”值在渐变中代表什么？

问题描述

我试图计算输出层wrt输入的梯度，我期待一个梯度矩阵（作为每个输入输出层中不同节点的梯度），但我得到一个值。我想知道这个值在这里代表什么？

我的目标是计算每个输入的分类交叉熵损失梯度。我正在寻找解决方案，然后我坚持了下来。

我是新手，所以请忽略愚蠢的错误。

from keras.models import Sequential
from keras.layers import Dense, Activation
from keras import backend as k
import numpy as np
import tensorflow as tf

model = Sequential()
model.add(Dense(2, input_dim=1, init='uniform', activation='relu'))
model.add(Dense(2, init='uniform', activation='softmax'))

outputTensor = model.output
listOfVariableTensors = model.input

gradients = k.gradients(outputTensor, listOfVariableTensors)

trainingExample = np.random.random((1,1))
sess = tf.InteractiveSession()
sess.run(tf.initialize_all_variables())
evaluated_gradients = sess.run(gradients,feed_dict={model.input:trainingExample})

print(evaluated_gradients)

我得到打印语句的输出为：

[array([[0.]], dtype=float32)]

标签： pythontensorflowinputkerasgradient

解决方案

k.gradients是一个实际运行的包装器tf.gradients。如文档中所述

在 xs 中构造 ys 与 x 之和的符号导数。

的结果tf.gradients是 的所有ys导数之和xs。公式如下：

在此处输入图像描述

结果的形状与 的形状相同，而xs不是ys。一个例子：

import tensorflow as tf

a = tf.constant([[1.],[2.]])
b = tf.matmul(a,[[3.,4.]])
c = tf.matmul(a,[[5.,6.]])

grads1 = tf.gradients(ys=b,xs=a)
grads2 = tf.gradients(ys=[b,c],xs=a)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run(grads1))
    print(sess.run(grads2))

[array([[7.],[7.]], dtype=float32)]
[array([[18.],[18.]], dtype=float32)]

tf.gradients(ys=loss,xs=input)如果你想计算每个输入的分类交叉熵损失的总梯度，就这样做。如果要计算输出层中不同节点对每个输入的梯度，则需要分别调用tf.gradients每个节点。ys[i,j]

推荐阅读