如何使用tf.gradients进行TensorFlow中的梯度求解实例？

本文共计316个文字，预计阅读时间需要2分钟。

我将对原文进行简化，不超过100字，并去除不必要的字符：

pythonimport tensorflow as tfw1=tf.Variable([[1, 2]])w2=tf.Variable([[3, 4]])res=tf.matmul(w1, [[2], [1]])grads=tf.gradients(res, [w1])with tf.Session() as sess: sess.run(tf.global_variables_initializer())

我就废话不多说了，直接上代码吧！

import tensorflow as tf w1 = tf.Variable([[1,2]]) w2 = tf.Variable([[3,4]]) res = tf.matmul(w1, [[2],[1]]) grads = tf.gradients(res,[w1]) with tf.Session() as sess: tf.global_variables_initializer().run() print sess.run(res) print sess.run(grads)

输出结果为：

[[4]] [array([[2, 1]], dtype=int32)]

可以这样看res与w1有关，w1的参数设为[a1,a2],则：

2*a1 + a2 = res

所以res对a1,a2求导可得 [[2,1]]为w1对应的梯度信息。

import tensorflow as tf def gradient_clip(gradients, max_gradient_norm): """Clipping gradients of a model.""" clipped_gradients, gradient_norm = tf.clip_by_global_norm( gradients, max_gradient_norm) gradient_norm_summary = [tf.summary.scalar("grad_norm", gradient_norm)] gradient_norm_summary.append( tf.summary.scalar("clipped_gradient", tf.global_norm(clipped_gradients))) return clipped_gradients w1 = tf.Variable([[3.0,2.0]]) # w2 = tf.Variable([[3,4]]) params = tf.trainable_variables() res = tf.matmul(w1, [[3.0],[1.]]) opt = tf.train.GradientDescentOptimizer(1.0) grads = tf.gradients(res,[w1]) clipped_gradients = gradient_clip(grads,2.0) global_step = tf.Variable(0, name='global_step', trainable=False) #update = opt.apply_gradients(zip(clipped_gradients,params), global_step=global_step) with tf.Session() as sess: tf.global_variables_initializer().run() print sess.run(res) print sess.run(grads) print sess.run(clipped_gradients)

以上这篇TensorFlow梯度求解tf.gradients实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持易盾网络。