python Tensorflow中何时需要watch()函数来启用梯度跟踪？

bzzcjhmw 于 2022-12-21 发布在 Python

关注(0)|答案(1)|浏览(183)

我看到一些代码块需要tf.GradientTape（）.watch（）才能工作，有些代码块似乎不需要它也能工作，这让我很困惑。
例如，这段代码需要watch（）函数：

with tf.GradientTape() as t:
    # Record the actions performed on tensor x with `watch`
    t.watch(x) 

    # Define y as the sum of the elements in x
    y =  tf.reduce_sum(x)

    # Let z be the square of y
    z = tf.square(y) 

# Get the derivative of z wrt the original input tensor x
dz_dx = t.gradient(z, x)

但是，此块不会：

with tf.GradientTape() as tape:
    logits = model(images, images = True)
    loss_value = loss_object(labels, logits)
    

loss_history.append(loss_value.numpy.mean()
grads = tape.gradient(loss_value, model.trainable_variables)
optimizer.apply_gradient(zip(grads, model.trainable_vaiables))

这两种情况有什么不同？

python

来源：https://stackoverflow.com/questions/74867671/when-is-the-watch-function-required-in-tensorflow-to-enable-tracking-of-gradie

1条答案

按热度按时间

pu82cl6c1#

watch的文档说明如下：
确保此磁带正在跟踪tensor。
默认情况下，在磁带环境中访问的任何可训练变量都会被监视。这意味着我们可以通过调用t.gradient(loss, variable)来计算该可训练变量的梯度。检查以下示例：

def grad(model, inputs, targets):
     with tf.GradientTape() as tape:
        loss_value = loss(model, inputs, targets, training=True)
     return loss_value, tape.gradient(loss_value, model.trainable_variables)

因此在上面的代码中不需要使用tape.watch，但是有时我们需要计算一些不可训练变量的梯度，在这种情况下我们需要使用watch。

with tf.GradientTape() as t:
     t.watch(images)
     predictions = cnn_model(images)
     loss = tf.keras.losses.categorical_crossentropy(expected_class_output, predictions)
gradients = t.gradient(loss, images)

在上面的代码中，images是模型的输入，不是可训练变量。我需要计算图像的损失梯度，因此我需要watch它。

赞(0）回复(0）举报 2022-12-21

我来回答

python Tensorflow中何时需要watch()函数来启用梯度跟踪？

1条答案

相关问题

热门标签

最新问答