Tensorflow 为什么tf.stop_梯度可以'；t冻结变量？

看看代码：

将tensorflow导入为tf
x=tf.变量（1）
x=tf.停止梯度（x）
y=2*x
g=tf.梯度（y，x）
init=tf.global_variables_initializer（）
使用tf.Session（）作为sess：
init.run（）
打印（sess.run（g））

我想冻结

x

，并且

y

wrt

x

的梯度为零，但是输出是

2

，那么有什么问题吗

更新

将tensorflow导入为tf
x0=tf.变量（1）
x1=tf.停止梯度（x0）
y=2*x1
g=tf.梯度（y，x0）
init=tf.global_variables_initializer（）
使用tf.Session（）作为sess：
init.run（）
打印（sess.run（g））

我使用的

x1

不会覆盖

x0

，但当我运行此代码时，它会引发错误。如果

tf.stop\u gradient

充当

tf.identity

，我认为

x0

将在计算图中有一个路径到

y

，梯度是

0

，而不是引起错误？有人能告诉我tf.stop\u gradient确实做了什么吗？

tf.stop\u gradient（）

在计算图中的指定点停止梯度计算。将其应用于变量“太晚了”，但您可以将其应用于

y

将tensorflow导入为tf
x=tf.变量（1）
y=tf.停止梯度（2*x）
g=tf.梯度（y，x）
init=tf.global_variables_initializer（）
使用tf.Session（）作为sess：
init.run（）
打印（sess.run（g））

---

请注意，这不会输出

0

，而是会抛出一个错误，因为在这种情况下，y w.r.t.到x的梯度未定义，并且您明确要求它。在真实场景中，情况可能并非如此。

您使用stop_gradient的结果重写了原始的

x

，因此，当您调用

tf.gradients

时，您并不是在计算变量的gradient wrt。使用另一个变量来存储stop_gradient的输出，你不会看到这个，这基本上与我的答案相同

tf.stop_gradient（）

的作用类似于没有渐变定义的标识op。仍然可以导出梯度w.r.t。它是输入，但链式规则在这一点停止。引入一个临时变量将产生与我的答案相同的效果@etarisonsee my update@chretr这个答案掩盖了这个问题。将它应用于x并不“太晚”（这个答案中的代码甚至在计算的后期应用它）。它没有提到OP犯的错误（将stop_gradient的结果传递给tf.gradients）。