0

我有这个功能来获得它的差异化价值。

def dp1_f1(x):
return 64*x*(1-x)*(math.pow((1-2*x),2) )*math.pow((1-8*x+8*x*x), 2)

我想获得dy/dx价值。我可以通过数值方法得到这个值，如下所示：

def dp_numeric_diff(x):
    delta_x = 0.0001
    return (dp1_f1(x+delta_x)-dp1_f1(x))/delta_x

我使用 TensorFlow Eager Execution API 来计算这个值：

def dp_ad_tfe(x):
    tf.enable_eager_execution()
    tfe = tf.contrib.eager
    grad_lx = tfe.gradients_function(dp1_f1)
    x = 3.0
    y = dp1_f1(x)
    rst = grad_lx(x)
    return y, rst[0]

我用下面的代码调用这个函数：

numeric_diff = dp_numeric_diff(x)
print('Numeric method：{0}'.format(numeric_diff))
v, d = dp_ad_tfe(x)
print('TFE：{0}'.format(d))

它将显示如下内容：

Numeric method：-75290405.66440672
TFE：-19208000.0

我确信数字方法是正确的。我的 TensorFlow 急切执行代码有什么问题？顺便说一句，相同的 TensorFlow 急切执行代码可以为像 x^2 这样的简单函数得到正确答案。

4

2 回答 2

1

我发现 TensorFlow Eager Execution API 无法处理诸如 math.pow 之类的函数。我必须提供一个函数来告诉 TensorFlow Eager execution API 如何获取函数的导数。要解决这个问题，我必须将 math.pow 更改为我自己的函数，如下所示：

@tf.custom_gradient
def f3(x, n):
    v = tf.pow(x, n)
    def grad(dy):
        return (dy* (n*tf.pow(x, n-1)) ).numpy()
    return v.numpy(), grad

并且必须修改原始功能如下：

def dp1_f1(x):
    return 64*x*(1-x)*f3(1-2*x,2)*f3(1-8*x+8*x*x, 2)

现在 TensorFlow Eager execution API 将像数字方法一样给出正确的答案。

于 2018-06-19T09:59:24.353 回答
0

TensorFlow 的自动微分 API 只能通过 TensorFlow 操作的组合来区分，不能通过函数之类math.pow()或其他库进行区分。如果你math.pow()用它代替tf.pow()它应该工作得很好。

就像是：

import tensorflow as tf
tf.enable_eager_execution()

def dp1_f1(x):
    return 64*x*(1-x)*(tf.pow((1-2*x),2) )*tf.pow((1-8*x+8*x*x), 2)

def dp_numeric_diff(x):
    delta_x = 0.0001
    return (dp1_f1(x+delta_x)-dp1_f1(x))/delta_x

grad = tf.contrib.eager.gradients_function(dp1_f1)

print(dp_numeric_diff(3.0).numpy()) # Prints -75300000.0
print(grad(3.0)[0].numpy())         # Prints -75279680.0

希望有帮助。

（似乎这也在GitHub 上被问到）

于 2018-06-20T07:41:39.950 回答