TensorFlow的自動求導原理分析

Posted on by

原理：

TensorFlow使用的求導方法稱為自動微分（Automatic Differentiation），它既不是符號求導也不是數值求導，而類似於將兩者結合的產物。

最基本的原理就是鏈式法則，關鍵思想是在基本操作（op）的水平上應用符號求導，並保持中間結果（grad）。

基本操作的符號求導定義在\tensorflow\python\ops\math_grad.py文件中，這個文件中的所有函數都用RegisterGradient裝飾器包裝瞭起來，這些函數都接受兩個參數op和grad，參數op是操作，第二個參數是grad是之前的梯度。

鏈式求導代碼：

舉個例子：

補充：聊聊Tensorflow自動求導機制

自動求導機制

在即時執行模式下，Tensorflow引入tf.GradientTape()這個“求導記錄器”來實現自動求導。

計算函數y(x)=x^2在x = 3時的導數：

import tensorflow as tf
#定義變量
x = tf.Variable(initial_value = 3.)

#在tf.GradientTape()的上下文內，所有計算步驟都會被記錄以用於求導
with tf.GradientTape() as tape:
    #y = x^2
    y = tf.square(x)
#計算y關於x的導數(斜率，梯度)
y_grad = tape.gradient(y,x)
print([y,y_grad])

輸出：

[<tf.Tensor: shape=(), dtype=float32, numpy=9.0>, <tf.Tensor: shape=(), dtype=float32, numpy=6.0>]

以上為個人經驗，希望能給大傢一個參考，也希望大傢多多支持WalkonNet。

推薦閱讀：