machine-learning - 如何在 Flux 中正确定义自定义 STE 渐变？

Question

我正在尝试使用 Flux 编写自定义 STE 渐变。激活基本上只是 sign() 函数，它的梯度是传入的梯度，因为它的绝对值 <=1，否则取消。我目前拥有的实施似乎无法正常工作

binarize(x) = x>=0 ? true : false

binarize(x::Flux.Tracker.TrackedReal) = Flux.Tracker.track(binarize, x)

@grad function binarize(x)
    return binarize.(Flux.Tracker.data(x)), Δ -> (abs(x) <= 1 ? x : 0, )
      0), )
end

所以对于一个随机的 5x1 矩阵，我得到：

>> a= param(randn(5))
>> Tracked 5-element Array{Float64,1}:
 -0.3605564089879154
 -0.7853512499733902
  0.8102988051980005
 -0.9715952052917924
 -1.276343849200165
>> c= binarize.(a)
>> 5-element BitArray{1}:
 false
 false
 true
 false
 false
>> Tracker.back!(c, [1,1,1,1,1])
>> a.grad
5-element Array{Float64,1}:
0.0
0.0
0.0
0.0
0.0

我希望 a 的梯度类似于 a，除了最后一个元素为 0。

我究竟做错了什么？