tensorflow框架中几种计算梯度的方式

Tensorflow几种计算梯度的方式

1. tf.gradients

tf.gradients(
    ys,
    xs,
    grad_ys=None,
    name='gradients',
    colocate_gradients_with_ops=False,
    gate_gradients=False,
    aggregation_method=None,
    stop_gradients=None,
    unconnected_gradients=tf.UnconnectedGradients.NONE
)

计算ys关于xs的梯度，tf.gradients返回的结果是一个长度为len(xs)的Tensor列表list，每个张量为sum(dy/dx)，即ys关于xs的导数。
例子：
tf.gradients(y, [x1, x2, x3]返回[dy/dx1, dy/dx2, dy/dx3]

当y与x无关时，即graph无x到y的路径， 则求y关于x的梯度时返回[None]
参数stop_gradients指定的变量对当前梯度求解而言， 梯度求解将止于这些变量。
实例：

a = tf.constant(0.)
b = 2 * a
g = tf.gradients(a + b, [a, b], stop_gradients=[a, b]) #梯度计算不再追溯a,b之前的变量

输出：

In:  sess.run(g) 
out:[1.0, 1.0]

如果不设置stop_gradients参数则反向传播梯度计算将追溯到最开始的值a,输出结果为：

In : sess.run(g)
Out: [3.0, 1.0]

具体查阅：tf.gradients官网教程

2. optimizer.compute_gradients

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

optimizer.compute_gradients是tf.gradients的封装1.
是optimizer.minimize()的第一步，返回(gradient, variable)的列表，其中gradient是tensor。
直观上，optimizer.compute_gradients只比tf.gradients多了一个variable输出。
具体查阅：optimizer.compute_gradients官网教程

3. tf.stop_gradient

tf.stop_gradient(
    input,
    name=None
)

tf.stop_gradient阻止input的变量参与梯度计算，即在梯度计算的过程中屏蔽input之前的graph。
返回：关于input的梯度
应用：

1. EM算法，其中M步骤不应涉及通过E步骤的输出的反向传播。
2. Boltzmann机器的对比散度训练，在区分能量函数时，训练不得反向传播通过模型生成样本的图形。
3. 对抗性训练，通过对抗性示例生成过程不会发生反向训练。

具体查阅: tf.stop_gradient官网教程