tf.gradient, действующий как tfp.math.diag_jacobian - PullRequest
Новая
       12

tf.gradient, действующий как tfp.math.diag_jacobian

1 голос
/ 12 марта 2019

Я пытаюсь вычислить шум для входных данных, используя градиент функции потерь из входных данных:

my_grad = tf.gradients (потери, входные данные)

loss - массив размера (n x 1), где n - количество наборов данных, m - размер набора данных, input - массив (n x m), где m - размер отдельного набора данных.

Мне нужно, чтобы my_grad было размером (n x m) - поэтому для каждого набора данных рассчитывается градиент. Но по определению градиенты, где i! = J, равны нулю, но tf.gradients выделяет огромный объем памяти и работает довольно долго ...

Версия, которая рассчитывает градиенты только там, где i = j, было бы здорово - любая идея, как туда добраться?

Ответы [ 2 ]

0 голосов
/ 12 марта 2019

Это один из возможных подходов: 

import tensorflow as tf

x = tf.placeholder(tf.float32, [20, 50])
# Break X into its parts
x_parts = tf.unstack(x)
# Recompose
x = tf.stack(x_parts)
# Compute Y however
y = tf.reduce_sum(x, axis=1)
# Break Y into parts
y_parts = tf.unstack(y)
# Compute gradient part-wise
g_parts = [tf.gradients(y_part, x_part)[0] for x_part, y_part in zip(x_parts, y_parts)]
# Recompose gradient
g = tf.stack(g_parts)
print(g)
# Tensor("stack_1:0", shape=(20, 50), dtype=float32)

Однако здесь есть как минимум две проблемы:

  • Требуется использовать фиксированный размер для n (но не для m).
  • Это создаст O(n) узлов на графике, что может быть проблемой, если вы намеревались использовать очень большой n.

Теоретически можно использовать цикл TensorFlow while, но что-то в тензорных массивах или циклах не распространяет градиенты по мере необходимости. 

import tensorflow as tf

x = tf.placeholder(tf.float32, [None, None])
n = tf.shape(x)[0]
element_shape = x.shape[1:]
x_parts = tf.TensorArray(x.dtype, size=n, dynamic_size=False,
                         element_shape=element_shape, clear_after_read=False)
_, x_parts, _ = tf.while_loop(lambda i, x_parts, x: i < n,
                              lambda i, x_parts, x: (i + 1, x_parts.write(i, x[i]), x),
                              [tf.constant(0, n.dtype), x_parts, x])
x = x_parts.stack()
y = tf.reduce_sum(x, axis=1)
g_parts = tf.TensorArray(y.dtype, size=n, dynamic_size=False,
                         element_shape=element_shape, clear_after_read=True)
_, g_parts, _ = tf.while_loop(lambda i, g_parts, x_parts, y: i < n,
                              lambda i, g_parts, x_parts, y:
                                (i + 1, g_parts.write(i, tf.gradients(y[i], x_parts.read(i))[0]), x_parts, y),
                              [tf.constant(0, n.dtype), g_parts, x_parts, y])
# Fails due to None gradients
g = g_parts.stack()
print(g)
0 голосов
/ 12 марта 2019

Полагаю, я нашел решение:

my_grad = tf.gradients (tf.reduce_sum (loss), input)

гарантирует, что перекрестные зависимости i! = J игнорируются- это работает очень красиво и быстро ..

...