Deep learning Theano-如何覆盖op图部分的渐变

我手头有一个相当复杂的模型。该模型具有多个线性结构部分：

y = theano.tensor.dot(W,x) + b

---

我想构建一个优化器，使用自定义规则计算所有线性结构的梯度，同时保持其他操作不变。对于我模型的所有线性部分，覆盖渐变操作的最简单方法是什么？最好不需要编写新的Op.

因此，我花了一些时间为Theano编写了一个（截至2017年1月13日尚未合并）的Op.OpFromGraph实例，它使用户能够部分覆盖

Theano.OpFromGraph

实例的渐变。覆盖是通过符号图完成的，因此您仍然可以充分利用theano优化

典型用例：

• 数值安全考虑
• 重缩放/剪裁渐变
• 特殊梯度例程，如黎曼自然梯度

要生成具有覆盖渐变的Op，请执行以下操作：

制作所需的计算图

为Op的渐变创建一个OpFromGraph实例（或python函数）

将OfG实例设置为Op，并设置

grad\u覆盖

参数

调用OfG实例来构建模型

定义OpFromGraph类似于编译theano函数，但有一些区别：

• 不支持

  更新

  和

  givens

  （截至2017年1月）
• 得到的是符号运算，而不是数值函数

例如：

'''
This creates an atan2_safe Op with smoothed gradient at (0,0)
'''
import theano as th
import theano.tensor as T

# Turn this on if you want theano to build one large graph for your model instead of precompiling the small graph.
USE_INLINE = False
# In a real case you would set EPS to a much smaller value
EPS = 0.01

# define a graph for needed Op
s_x, s_y = T.scalars('xy')
s_darg = T.scalar(); # backpropagated gradient
s_arg = T.arctan2(s_y, s_x)
s_abs2 = T.sqr(s_x) + T.sqr(s_y) + EPS
s_dx = -s_y / s_abs2
s_dy = s_x / s_abs2

# construct OfG with gradient overrides
# NOTE: there are unused inputs in the gradient expression,
#     however the input count must match, so we pass    
#     on_unused_input='ignore'
atan2_safe_grad = th.OpFromGraph([s_x, s_y, s_darg], [s_dx, s_dy], inline=USE_INLINE, on_unused_input='ignore')
atan2_safe = th.OpFromGraph([s_x, s_y], [s_arg], inline=USE_INLINE, grad_overrides=atan2_safe_grad)

# build graph using the new Op
x, y = T.scalar(), T.scalar()
arg = atan2_safe(x, y)
dx, dy = T.grad(arg, [x, y])
fn = th.function([x, y], [dx, dy])
fn(1., 0.) # gives [-0.0, 0.99099]
fn(0., 0.) # gives [0.0, 0.0], no more annoying nan!

注意：

theano.OpFromGraph

仍然主要是实验性的，除了bug