使用gradients对多个式子求多变量偏导

最新推荐文章于 2024-05-07 16:16:07 发布

chengqiuming

最新推荐文章于 2024-05-07 16:16:07 发布

阅读量2.2k

点赞数

分类专栏：人工智能文章标签： gradients

本文链接：https://blog.csdn.net/chengqiuming/article/details/80315863

版权

人工智能专栏收录该内容

91 篇文章 4 订阅

订阅专栏

一实例描述

两个OP，4个参数，演示使用gradients同时为两个式子4个参数求梯度。

二代码

import tensorflow as tf
tf.reset_default_graph()
w1 = tf.get_variable('w1', shape=[2])
w2 = tf.get_variable('w2', shape=[2])
w3 = tf.get_variable('w3', shape=[2])
w4 = tf.get_variable('w4', shape=[2])
y1 = w1 + w2+ w3
y2 = w3 + w4

gradients = tf.gradients([y1, y2], [w1, w2, w3, w4], grad_ys=[tf.convert_to_tensor([1.,2.]),
                                                          tf.convert_to_tensor([3.,4.])])
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run(gradients))

三运行结果

[array([ 1., 2.], dtype=float32), array([ 1., 2.], dtype=float32), array([ 4., 6.], dtype=float32), array([ 3., 4.], dtype=float32)]

四结果说明

gradients中的第三个参数，即给定公式结果的值，来求参数偏导，这里相当于y1为[1,2],y2为[3,4]。对于y1来讲，求关于w1的偏导时，会认为w2和w3为常数，所有w2和w3的导数为0，即w1的梯度就为[1,2]。同理可以得出w2和w3均为[1,2],接着求y2的偏导数，得到w3与w4均为[3,4],然后将两个式子中的w3结果累加起来，所以w3就为[4,6]。