2

我正在尝试使用 TensorFlow 2.0应用引导式反向传播（ https://arxiv.org/abs/1412.6806 ）。要应用引导反向传播，我们需要修改 relu 梯度。我阅读了如何在 Tensorflow 2.0 中应用 Guided BackProp？并尝试调整来自 https://gist.github.com/falcondai/561d5eec7fed9ebf48751d124a77b087的代码，但结果与我预期的不一样。我不确定我错过了什么。

这是我所拥有的（结合上面来源的代码）：

import tensorflow as tf

@tf.RegisterGradient("GuidedRelu")
def _GuidedReluGrad(op, grad):
    dtype = op.inputs[0].dtype
    gate_f = tf.cast(op.outputs[0] > 0, dtype) #for f^l > 0
    gate_R = tf.cast(grad > 0, dtype) #for R^l+1 > 0
    return gate_f * gate_R * grad

with tf.compat.v1.get_default_graph().gradient_override_map({'Relu': 'GuidedRelu'}):
    with tf.GradientTape() as tape:
        x = tf.constant([10., 2.])
        tape.watch(x)
        y = tf.nn.relu(x)
        z = tf.reduce_sum(-y ** 2)
        print(x.numpy())
        print(y.numpy())
        print(z.numpy())
        print(tape.gradient(z, x).numpy())

输出是

[10.  2.]
[10.  2.]
-103.99999
[-20.  -4.]

代替

[10.  2.]
[10.  2.]
-103.99999
[0.  0.]
4

1 回答 1

1

在 tf2.0/2.1 中似乎没有一种干净的方法。我使用的解决方法是通过使用使用@custom_gradient. 我一直受到这个线程的启发。它有点慢，但至少它有效。TF 肯定会再次更新以支持重新映射渐变。同时希望对您有所帮助。

编辑：在此处讨论该问题的问题。

于 2020-01-31T17:25:03.073 回答