如何解决是否可以获得中间梯度? (张量流)
使用梯度胶带时可以计算使用后的梯度:
with tf.GradientTape() as tape:
out = model(x,training=True)
out = tf.reshape(out,(num_img,1,10)) # Resizing
loss = tf.keras.losses.categorical_crossentropy(y,out)
gradient = tape.gradient(loss,model.trainable_variables)
然而,在 cifar10 输入的情况下,这将返回输入图像的梯度。 有没有办法访问中间步骤的梯度,使它们经过“一些”训练?
解决方法
编辑:感谢您的评论,我对您的问题有了更好的了解。
下面的代码远非理想,没有考虑批量训练等,但它可能会给你一个很好的起点。
我编写了一个自定义训练步骤,它基本上替代了 model.fit
方法。可能有更好的方法可以做到这一点,但它应该可以让您快速比较梯度。
def custom_training(model,data):
x,y = data
# Training
with tf.GradientTape() as tape:
y_pred = model(x,training=True) # Forward pass
# Compute the loss value
# (the loss function is configured in `compile()`)
loss = tf.keras.losses.mse(y,y_pred)
trainable_vars = model.trainable_variables
gradients = tape.gradient(loss,trainable_vars)
tf.keras.optimizers.Adam().apply_gradients(zip(gradients,trainable_vars))
# computing the gradient without optimizing it!
with tf.GradientTape() as tape:
y_pred = model(x,training=False) # Forward pass
# Compute the loss value
# (the loss function is configured in `compile()`)
loss = tf.keras.losses.mse(y,y_pred)
trainable_vars = model.trainable_variables
gradients_plus = tape.gradient(loss,trainable_vars)
return gradients,gradients_plus
让我们假设一个非常简单的模型:
import tensorflow as tf
train_data = tf.random.normal((1000,32))
train_features = tf.random.normal((1000,))
inputs = tf.keras.layers.Input(shape=(32))
hidden_1 = tf.keras.layers.Dense(32)(inputs)
hidden_2 = tf.keras.layers.Dense(32)(hidden_1)
outputs = tf.keras.layers.Dense(1)(hidden_2)
model = tf.keras.Model(inputs,outputs)
并且您想计算所有层相对于输入的梯度。 您可以使用以下内容:
with tf.GradientTape(persistent=True) as tape:
tape.watch(inputs)
out_intermediate = []
inputs = train_data
cargo = model.layers[0](inputs)
for layer in model.layers[1:]:
cargo = layer(cargo)
out_intermediate.append(cargo)
for x in out_intermediate:
print(tape.gradient(x,inputs))
如果您想计算自定义损失,我建议Customize what happens in Model.fit
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。