使用Tensorflow怎么實現一個梯度裁剪功能

本篇文章為大家展示了使用Tensorflow怎么實現一個梯度裁剪功能，內容簡明扼要并且容易理解，絕對能使你眼前一亮，通過這篇文章的詳細介紹希望你能有所收獲。

tensorflow中的梯度計算和更新

梯度消失（gradient explosion）和梯度爆炸（gradients vanishing）

1. compute_gradients

2. apply_gradients

compute_gradients

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

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compute_gradients的返回結果對參數進行更新

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, 則不對梯度進行裁剪，否則對梯度進行縮放。

  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)

上述內容就是使用Tensorflow怎么實現一個梯度裁剪功能，你們學到知識或技能了嗎？如果還想學到更多技能或者豐富自己的知識儲備，歡迎關注億速云行業資訊頻道。