Python tf层备选方案

我的一个操作需要整数，但卷积的输出是浮点。
这意味着我需要使用

tf.floor

，

tf.ceil

，

tf.cast

…等来处理它。
但是这些操作会导致

None

梯度，因为像

tf.floor

这样的操作是不可微的

所以，我尝试了下面的方法

首先。绕道

out1 = tf.subtract(vif, tf.subtract(vif, tf.floor(vif)))

但是，

test.compute\u gradient\u error

的输出是500或0，我认为这不是一个合理的梯度

秒。楼层覆盖梯度函数

@ops.RegisterGradient("CustomFloor")    
def _custom_floor_grad(op, grads):    
    return [grads]  



A, B = 50, 7
shape = [A, B]
f = np.ones(shape, dtype=np.float32)
vif = tf.constant(f, dtype=tf.float32)

# out1 = tf.subtract(vif, tf.subtract(vif, tf.floor(vif)))
with tf.get_default_graph().gradient_override_map({"Floor": "CustomFloor"}):
    out1 = tf.floor(vif)

with tf.Session() as sess:
    err1 = tf.test.compute_gradient_error(vif, shape, out1, shape)
    print err1

test.compute\u gradient\u error

的输出为500或1，也不起作用

---

问题：一种获得整数并保持反向传播工作良好的方法（2.0、5.0之类的值是可以的）

一般来说，用梯度下降法解决离散问题并非不可取。在某种程度上，您应该能够在TF中表达整数解算器，但您或多或少需要自己

FWIW，地板功能看起来像一把锯子。它的导数是1处的常数函数，每个整数处都有小孔。在这些位置，你有一个指向下方的狄拉克函数，如果你愿意，就像一个耙子。狄拉克泛函有有限的能量，但没有有限的值

解决这些问题的标准方法是用（至少一次）可微（平滑）的东西“放松”硬地板约束，从而放松问题

有多种方法可以做到这一点。也许最受欢迎的是：

创建一个看起来像你想要的函数。例如，一个分段线性函数，它可以快速向下倾斜，但不能垂直向下倾斜

用sigmoids替换step函数

如果是一个时间序列，则使用一个很好理解的过滤器近似值

---

你是说

floor

像阶跃函数一样，我可以试着找到一个类似

\u/-

的线性函数，这样函数就可以像

floor

一样工作了几乎是的，没错。当你在训练时，一定要逐渐增加坡度。我不明白逐渐增加坡度的含义。如果我有这种功能，为什么我需要逐渐增加斜率。或者这个功能是通过培训获得的？谢谢，函数将有一个斜率。如果你从一个几乎垂直的坡度开始，那么除了非常近的坡度外，所有地方的坡度都是零。如果以较大的倾斜开始，则可以轻推输出以使其更接近。然后，可以开始增加坡度，使其更像所需的坡度。你可以在几个时代后改变增加。