tensorflow中的梯度計算和更新

為了解決深度學(xué)習(xí)中常見的梯度消失（gradient explosion）和梯度爆炸（gradients vanishing）問題，tensorflow中所有的優(yōu)化器tf.train.xxxOptimizer都有兩個方法：

1. compute_gradients
2. apply_gradients

compute_gradients

對于compute_gradients方法，計算var_list中參數(shù)的梯度，使得loss變小。默認(rèn)情況下，var_list為GraphKeys.TRAINABLE_VARIABLES中的所有參數(shù)。

compute_gradients方法返回由多個（gradients， variable）二元組組成的列表。

compute_gradients(
  loss,
  var_list=None,
  gate_gradients=GATE_OP,
  aggregation_method=None,
  colocate_gradients_with_ops=False,
  grad_loss=None
)

apply_gradients

對于apply_gradients方法，根據(jù)compute_gradients的返回結(jié)果對參數(shù)進(jìn)行更新

apply_gradients(
  grads_and_vars,
  global_step=None,
  name=None
)

梯度裁剪(Gradient Clipping)

tensorflow中裁剪梯度的幾種方式

方法一tf.clip_by_value

def clip_by_value(t, clip_value_min, clip_value_max,
         name=None):

其中，t為一個張量，clip_by_value返回一個與t的type相同、shape相同的張量，但是新tensor中的值被裁剪到了clip_value_min和clip_value_max之間。

方法二:tf.clip_by_global_norm

def clip_by_global_norm(t_list, clip_norm, use_norm=None, name=None):

其中，t_list為A tuple or list of mixed Tensors, IndexedSlices, or None。clip_norm為clipping ratio，use_norm指定global_norm，如果use_norm為None，則按global_norm = sqrt(sum([l2norm(t)**2 for t in t_list]))計算global_norm。

最終，梯度的裁剪方式為

可知，如果clip_norm > global_norm, 則不對梯度進(jìn)行裁剪，否則對梯度進(jìn)行縮放。

  scale = clip_norm * math_ops.minimum(
    1.0 / use_norm,
    constant_op.constant(1.0, dtype=use_norm.dtype) / clip_norm)

方法的返回值為裁剪后的梯度列表list_clipped和global_norm

示例代碼

optimizer = tf.train.AdamOptimizer(learning_rate)
gradients, v = zip(*optimizer.compute_gradients(loss))
gradients, _ = tf.clip_by_global_norm(gradients, grad_clip)
updates = optimizer.apply_gradients(zip(gradients, v),global_step=global_step)

方法三tf.clip_by_average_norm

def clip_by_average_norm(t, clip_norm, name=None):

t為張量，clip_norm為maximum clipping value

裁剪方式如下，

其中，avg_norm=l2norm_avg(t)

方法四:tf.clip_by_norm

def clip_by_norm(t, clip_norm, axes=None, name=None):

t為張量，clip_norm為maximum clipping value

裁剪方式為

示例代碼

optimizer = tf.train.AdamOptimizer(learning_rate, beta1=0.5)
grads = optimizer.compute_gradients(cost)
for i, (g, v) in enumerate(grads):
  if g is not None:
    grads[i] = (tf.clip_by_norm(g, 5), v) # clip gradients
train_op = optimizer.apply_gradients(grads)

注意到，clip_by_value、clib_by-avg_norm和clip_by_norm都是針對于單個張量的，而clip_by_global_norm可用于多個張量組成的列表。

到此這篇關(guān)于Tensorflow之梯度裁剪的實(shí)現(xiàn)示例的文章就介紹到這了,更多相關(guān)Tensorflow 梯度裁剪內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論