Tensorflow 2 0 梯度計算

tensorflow 提供了gradienttape函式，實現梯度的計算。

gradienttape 意思為梯度帶

persistent:預設是false.

如果是false,那麼gradient()函式最多只能呼叫一次。反之可以呼叫多次，

watch_accessed_variables:預設值是true,

可以自動對任何tensorflow 的variable求梯度。

如果是false，那麼只能顯示呼叫watch()方法對某些變數就梯度了

import tensorflow as tf

x= tf.variable(initial_value=
3.0)
with tf.gradienttape(
)as g:
y = x * x
dy_dx = g.gradient(y, x)
# will compute to 6.0
print
(dy_dx)
dy_dx = g.gradient(y, x)
print
(dy_dx)

import tensorflow as tf

x= tf.variable(initial_value=
3.0)
with tf.gradienttape(persistent=
true
)as g:
y = x * x
dy_dx = g.gradient(y, x)
# will compute to 6.0
print
(dy_dx)
dy_dx = g.gradient(y, x)
print
(dy_dx)

import tensorflow as tf

x= tf.variable(initial_value=
3.0)
with tf.gradienttape(persistent=
true
)as g:
y = x * x
dy_dx = g.gradient(y, x)
# will compute to 6.0
print
(dy_dx)
x = tf.constant(
3.0)
with tf.gradienttape(persistent=
true
)as g1:
y = x * x
dy_dx = g1.gradient(y, x)
# 我們對於常量是不能進行梯度計算的
print
(dy_dx)
with tf.gradienttape(persistent=
true
)as g1:
g1.watch(x)
y = x * x
dy_dx = g1.gradient(y, x)
# will compute to 6.0
print
(dy_dx)

那對於常量我們不能對其進行求梯度，雖然加上 watch函式就可以了，但我不知道為什麼不直接設定x為變數呢？

是變數會比較節約資源嗎？

import tensorflow as tf

x = tf.constant(
3.0)
with tf.gradienttape(
)as g:
g.watch(x)
with tf.gradienttape(
)as gg:
gg.watch(x)
y = x * x
dy_dx = gg.gradient(y, x)
# will compute to 6.0
print
(dy_dx)
d2y_dx2 = g.gradient(dy_dx, x)
# will compute to 2.
print
(d2y_dx2)

import tensorflow as tf

x = tf.constant(
3.0)
488dz_dx = g.gradient(z, x)
# 108.0 (4*x^3 at x = 3)
print
(dz_dx)
dy_dx = g.gradient(y, x)
# 6.0
print
(dy_dx)

對二元函式求梯度 這個包含了偏導

num_epoch =

10000
optimizer = tf.keras.optimizers.sgd(learning_rate=5e-
4)for e in
range
(num_epoch)
:with tf.gradienttape(
)as tape:
# 使用tf.gradienttape()記錄損失函式的梯度資訊
y_pred = a * x + b
loss = tf.reduce_sum(tf.square(y_pred - y)
) grads = tape.gradient(loss, variables)
# tensorflow自動計算損失函式關於自變數（模型引數）的梯度
zip(grads, variables)
)

即多元函式求導

with tf.gradienttape(

)as tape:
l = tf.reduce_sum(tf.square(tf.matmul(x, w)
+ b - y)
)w_grad, b_grad = tape.gradient(l,
[w, b]
)# 計算l(w, b)關於w, b的偏導數

tensorflow2 0 梯度下降的實現

graph1 tf.graph with graph1.as default x tf.constant 2.0,1.0 dtype tf.float32 y tf.constant 0.0 dtype tf.float32 梯度下降法解線性方程就是不斷輸入係數x 2,1 和結果y 3 作為訓練資料...

tensorflow2 0 維度變換

a tf.random.normal 4,28,28,3 a 1 tf.reshape a,4,784,3 shape 1 a 1 tf.reshape a,4,1,3 shape 和1等價 a 2 tf.reshape a,4,784 3 shape 2 a 2 tf.reshape a,4,1 ...

TensorFlow實戰系列5 梯度下降演算法

本文將介紹優化訓練神經網路模型的一些常用方法，並給出使用tensorflow 實現深度學習的最佳實踐樣例 為了更好的介紹優化神經網路訓練過程，我們將首先介紹優化神經網路的演算法 梯度下降演算法。然後在後面的部分中，我們將圍繞該演算法中的一些元素來優化模型訓練過程。梯度下降演算法 梯度下降演算法主要用...