Tensorflow tf.gradients（）或optimizer.compute_gradients（）获得的梯度是否已被求反？

tf.gradients（）或optimizer.compute_gradients（）获得的梯度是否已被求反

例如，对于梯度下降，我们知道方向应该设置为负梯度，-E'（W），其中E'（W）是梯度，E（W）是损失

在Tensorflow中，通过tf.gradients（）或tf.train.GradientDescentOptimizer.compute_gradients（），我们可以得到梯度。但是获得的梯度是否已经设置为负值

---

如果我们想对梯度进行一些计算，我认为重要的是要知道梯度是否被否定。

不，梯度没有被否定，它们遵循正确的梯度定义。下面是一个TF2.0示例（使用渐变带）：

这将打印

tf.Tensor（4.0，shape=（），dtype=float32）

，（即2*x），我们可以看到它没有被否定

在TF1.X中，

TF.gradients

给出了相同的结果

optimizer.compute_gradients

只使用该函数，因此它将再次给出相同的结果

---

否定需要由用户处理，也就是说，如果你想自己实现梯度下降，你需要从变量中减去梯度，以最小化损失。在

优化器

类中，这包括在

应用梯度

步骤中（即，这里应用负梯度）。

非常感谢。非常感谢。

x = tf.constant(2.)
with tf.GradientTape() as tape:
    tape.watch(x)
    y = x**2
print(tape.gradient(y, x))