tensorflow 实现自定义梯度反向传播代码

以sign函数为例：

sign函数可以对数值进行二值化，但在梯度反向传播是不好处理，一般采用一个近似函数的梯度作为代替，如上图的Htanh。在[-1,1]直接梯度为1，其他为0。

#使用修饰器，建立梯度反向传播函数。其中op.input包含输入值、输出值，grad包含上层传来的梯度
@tf.RegisterGradient("QuantizeGrad")
def sign_grad(op, grad):
input = op.inputs[0]
cond = (input>=-1)&(input<=1)
zeros = tf.zeros_like(grad)
return tf.where(cond, grad, zeros)

#使用with上下文管理器覆盖原始的sign梯度函数
def binary(input):
x = input
with tf.get_default_graph().gradient_override_map({"Sign":'QuantizeGrad'}):
x = tf.sign(x)
return x

#使用
x = binary(x)

以上这篇tensorflow 实现自定义梯度反向传播代码就是小编分享给大家的全部内容了，希望能给大家一个参考

您可能感兴趣的文章:

• 有关Tensorflow梯度下降常用的优化方法分享
• TensorFlow梯度求解tf.gradients实例
• 基于TensorFlow中自定义梯度的2种方式
• tensorflow 查看梯度方式
• tensorflow求导和梯度计算实例
• Tensorflow的梯度异步更新示例
• 在Tensorflow中实现梯度下降法更新参数值
• Tensorflow实现部分参数梯度更新操作
• 运用TensorFlow进行简单实现线性回归、梯度下降示例
• Tensorflow 卷积的梯度反向传播过程