Python tf.compat.v1.train.ProximalAdagradOptimizer.compute_gradients用法及代码示例

用法

compute_gradients(
    loss, var_list=None, gate_gradients=GATE_OP, aggregation_method=None,
    colocate_gradients_with_ops=False, grad_loss=None
)

为 var_list 中的变量计算 loss 的梯度。

迁移到 TF2

警告：这个 API 是为 TensorFlow v1 设计的。继续阅读有关如何从该 API 迁移到本机 TensorFlow v2 等效项的详细信息。见TensorFlow v1 到 TensorFlow v2 迁移指南有关如何迁移其余代码的说明。

TF2 中的tf.keras.optimizers.Optimizer 没有提供compute_gradients 方法，您应该使用tf.GradientTape 来获取渐变：

@tf.function
def train step(inputs):
  batch_data, labels = inputs
  with tf.GradientTape() as tape:
    predictions = model(batch_data, training=True)
    loss = tf.keras.losses.CategoricalCrossentropy(
        reduction=tf.keras.losses.Reduction.NONE)(labels, predictions)
  gradients = tape.gradient(loss, model.trainable_variables)
  optimizer.apply_gradients(zip(gradients, model.trainable_variables))

Args：损失：包含要最小化的值的张量或不带参数的可调用函数，它返回要最小化的值。启用即刻执行后，它必须是可调用的。 var_list：要更新以最小化 loss 的 tf.Variable 的可选列表或元组。默认为键 GraphKeys.TRAINABLE_VARIABLES 下图表中收集的变量列表。 gate_gradients：如何对梯度的计算进行门控。可以是 GATE_NONE , GATE_OP 或 GATE_GRAPH 。 aggregation_method：指定用于组合梯度项的方法。有效值在类 AggregationMethod 中定义。 colocate_gradients_with_ops：如果为真，请尝试将渐变与相应的操作放在一起。 grad_loss：可选。一个 Tensor 保存为 loss 计算的梯度。

返回：(梯度，变量)对的列表。变量始终存在，但梯度可以是 None 。

引发：类型错误：如果 var_list 包含除 Variable 对象之外的任何其他内容。 ValueError：如果某些参数无效。 RuntimeError：如果在启用即刻执行的情况下调用并且loss 不可调用。

@compatibility(eager) 启用即刻执行时，gate_gradients , aggregation_method 和 colocate_gradients_with_ops 将被忽略。

说明

这是 minimize() 的第一部分。它返回一个(梯度，变量)对列表，其中"gradient" 是"variable" 的梯度。请注意，如果给定变量没有梯度，"gradient" 可以是 Tensor、IndexedSlices 或 None。