Python tf.compat.v1.test.compute_gradient用法及代码示例

计算并返回理论和数值雅可比行列式。 (已弃用)

用法

tf.compat.v1.test.compute_gradient(
    x, x_shape, y, y_shape, x_init_value=None, delta=0.001, init_targets=None,
    extra_feed_dict=None
)

参数

x 张量或张量列表
x_shape x 作为元组或整数数组的维度。如果 x 是一个列表，那么这是形状列表。
y 张量
y_shape y 作为元组或整数数组的维度。
x_init_value (可选)与 "x" 形状相同的 numpy 数组，表示 x 的初始值。如果 x 是一个列表，这应该是一个 numpy 数组的列表。如果没有，该函数将选择一个随机张量作为初始值。
delta (可选)扰动量。
init_targets 要运行以初始化模型参数的目标列表。
extra_feed_dict dict 允许在雅可比计算期间修复指定的张量值。

两个二维 numpy 数组，表示 dy/dx 的理论和数值雅可比行列式。每个都有"x_size"行和"y_size"列，其中"x_size"是x中的元素数，"y_size"是y中的元素数。如果 x 是一个列表，则返回两个 numpy 数组的列表。

警告：此函数已弃用。它将在未来的版本中删除。更新说明：在2.0中使用tf.test.compute_gradient，对函数支持更好。请注意，两个版本的用法不同，因此需要更改代码。

如果 x 或 y 是复数，雅可比仍然是实数，但相应的雅可比维度将是两倍大。即使输入和输出都很复杂，这也是必需的，因为 TensorFlow 图不一定是全纯的，并且可能具有不能表示为复数的梯度。例如，如果 x 是复杂的形状 [m] 和 y 是复杂的形状 [n] ，每个雅可比 J 将具有形状 [m * 2, n * 2]

J[:m,:n] = d(Re y)/d(Re x)
J[:m, n:] = d(Im y)/d(Re x)
J[m:,:n] = d(Re y)/d(Im x)
J[m:, n:] = d(Im y)/d(Im x)

相关用法

注：本文由纯净天空筛选整理自tensorflow.org大神的英文原创作品 tf.compat.v1.test.compute_gradient。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。