时间戳

首页 > 解决方案 > TensroFlow2 和 Keras 中不同的前向和后向传播

tensorflow - TensroFlow2 和 Keras 中不同的前向和后向传播

问题描述

我在前向传递中训练神经网络，随机一半时间使用不可微分激活，将激活四舍五入为 0 或 1（二进制），另一半使用类似于 Sigmoid 的可微分函数（饱和-确切地说是Sigmoid）然而，在后向传播中，我们使用关于可微函数的梯度，即使我们在前向传播中使用了不可微分的离散函数。我到目前为止的代码是：

diff_active = tf.math.maximum(sat_sigmoid_term1(feature), sat_sigmoid_term2(feature))
binary_masks = diff_active 
rand_cond = tf.random.uniform([1,])
cond = tf.constant(rand_cond, shape=[1,])
if cond <0.5:
        with tf.GradientTape() as tape:
            non_diff_active = tf.grad_pass_through(tf.keras.layers.Lambda(lambda x: tf.where(tf.math.greater(x,0), x, tf.zeros_like(x))))(feature)
            grads = tape.gradient(non_diff_active , feature)
            binary_masks = non_diff_active  
tf.math.multiply(binary_masks, feature)

我的直觉是，通过这种方式，始终应用可微激活（希望它的梯度始终包含在 bacl-prop 中），并且tf.grad_pass_through()我可以应用不可微激活，同时用单位矩阵替换它的反向传播。但是，我不确定我tf.grad_pass_through()对随机变量的使用或条件是否正确，以及行为是否符合预期？

标签： tensorflowkerastensorflow2.0

解决方案

您可以tf.custom_gradient为此使用：

import tensorflow as tf

@tf.function
def sigmoid_grad(x):
    return tf.gradients(tf.math.sigmoid(x), x)[0]

@tf.custom_gradient
def sigmoid_or_bin(x, rand):
    rand = tf.convert_to_tensor(rand)
    out = tf.cond(rand > 0.5,
                  lambda: tf.math.sigmoid(x),
                  lambda: tf.dtypes.cast(x > 0, x.dtype))
    return out, lambda y: (y * sigmoid_grad(x), None)

# Test
tf.random.set_seed(0)
x = tf.random.uniform([4], -1, 1)
tf.print(x)
# [-0.416049719 -0.586867094 0.0707814693 0.122514963]
with tf.GradientTape() as t:
    t.watch(x)
    y = tf.math.sigmoid(x)
tf.print(y)
# [0.397462428 0.357354015 0.517688 0.530590475]
tf.print(t.gradient(y, x))
# [0.239486054 0.229652107 0.249687135 0.249064222]
with tf.GradientTape() as t:
    t.watch(x)
    y = sigmoid_or_bin(x, 0.2)
tf.print(y)
# [0 0 1 1]
tf.print(t.gradient(y, x))
# [0.239486054 0.229652107 0.249687135 0.249064222]
with tf.GradientTape() as t:
    t.watch(x)
    y = sigmoid_or_bin(x, 0.8)
tf.print(y)
# [0.397462428 0.357354015 0.517688 0.530590475]
tf.print(t.gradient(y, x))
# [0.239486054 0.229652107 0.249687135 0.249064222]

推荐阅读