Python 带有两个输入的Tensorflow op,返回其中一个并覆盖渐变
我试图在Tensorflow中实现一个合成梯度方案 我需要有一个op,它接受两个输入并返回其中一个(即带有虚拟变量的标识)。类似于Python 带有两个输入的Tensorflow op,返回其中一个并覆盖渐变,python,tensorflow,neural-network,Python,Tensorflow,Neural Network,我试图在Tensorflow中实现一个合成梯度方案 我需要有一个op,它接受两个输入并返回其中一个(即带有虚拟变量的标识)。类似于f(a,b):返回a 我需要这个,因为我想用一个依赖于b @ops.RegisterGradient("SynthGrad") def _SynthGrad(op, grad): dim1 = tf.shape(op.inputs[1])[1] dim2 = tf.shape(op.inputs[0])[1] B = tf.random_normal([dim1, d
f(a,b):返回a
我需要这个,因为我想用一个依赖于b
@ops.RegisterGradient("SynthGrad")
def _SynthGrad(op, grad):
dim1 = tf.shape(op.inputs[1])[1]
dim2 = tf.shape(op.inputs[0])[1]
B = tf.random_normal([dim1, dim2])
synth_grad = tf.matmul(op.inputs[1], B)
return synth_grad
编写Python函数并使用tf.py_func
将是一场混乱。另外,我希望这段代码也能在GPU上运行,并且使用py_func
不会这样
我怎样才能做到这一点?我可以使用TF op吗?您可以在模型定义期间添加以下代码以覆盖渐变。
tf.Graph
具有实现相同功能的构造
g = tf.get_default_graph()
...model, definiton, input other op etc
# gradient overrring map construct with the function `f` in your case
with g.gradient_override_map({"op_name": "SynthGrad"}):
f_out = f(op_in_1, op_in_2, name="op_name")
...
# code related to custom function and custom gradient from your question
def f(a, b, name='some_name'):
... some stuffs
return a
@tf.RegisterGradient("SynthGrad")
def _SynthGrad(op, grad):
dim1 = tf.shape(op.inputs[1])[1]
dim2 = tf.shape(op.inputs[0])[1]
B = tf.random_normal([dim1, dim2])
synth_grad = tf.matmul(op.inputs[1], B)
return synth_grad
我不确定您是如何解决问题的,但上面解决方案中的“op_name”和“some_name”不会显示在图表上。因此,您将无法使用gradient_override_map({“op_name”:“SynthGrad”}) 一种可能的解决办法: 如果在forwardpass中有一个自定义的tensorflow op x=f(a,b),但希望它在backwardpass中表现为g(a,b),则可以执行如下操作: t=g(a,b) out=t+tf.停止梯度(f(a,b)-t)
但是,您需要在C++中定义g(a,b)作为具有名称的哑/身份操作符。稍后,您可以使用渐变覆盖贴图。
谢谢您的回答。我设法以这种方式获得了想要的行为。我希望能够只使用TF-ops来表达forward操作,这样代码就可以在GPU上运行了。我通过在PyTorch中实现它解决了这个问题:)无论如何,谢谢你的帮助。我很想看到有人在Tensorflow中提出直接反馈对齐的一般实现,它可能需要很多高级TF概念,我会从中学到很多东西