https://docs.scipy.org/doc/scipy/reference/generated/scipy.optimize.approx_fprime.html
from scipy import optimize
forward_module = tf.load_op_library('./build/libforwardcu.so')
f2 = tf.tanh(tf.conv2d(x1, w)+b)
f1 = tf.tanh(tf.conv2d(x2, w)+b)
def func(x):
forward_module.forward(x,f2, disps, 1, 0)
return loss
optimize.approx_fprime(x, func, 1e-6)
Будет ли approx_fprime автоматически определять правила деривации по тензорному потоку (затраты, потери)?
Я имею в виду, что если функция f(x)=x^2, то деривация будет обнаружена scipy f'(x)=2x. Конечно, с помощью нейронной сети требуется гораздо больше усилий, и я хочу избежать этого вручную ...