Python tf.compat.v1.test.compute_gradient用法及代碼示例

計算並返回理論和數值雅可比行列式。 (已棄用)

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
)

參數

x 張量或張量列表
x_shape x 作為元組或整數數組的維度。如果 x 是一個列表，那麽這是形狀列表。
y 張量
y_shape y 作為元組或整數數組的維度。
x_init_value (可選)與 "x" 形狀相同的 numpy 數組，表示 x 的初始值。如果 x 是一個列表，這應該是一個 numpy 數組的列表。如果沒有，該函數將選擇一個隨機張量作為初始值。
delta (可選)擾動量。
init_targets 要運行以初始化模型參數的目標列表。
extra_feed_dict dict 允許在雅可比計算期間修複指定的張量值。

兩個二維 numpy 數組，表示 dy/dx 的理論和數值雅可比行列式。每個都有"x_size"行和"y_size"列，其中"x_size"是x中的元素數，"y_size"是y中的元素數。如果 x 是一個列表，則返回兩個 numpy 數組的列表。

警告：此函數已棄用。它將在未來的版本中刪除。更新說明：在2.0中使用tf.test.compute_gradient，對函數支持更好。請注意，兩個版本的用法不同，因此需要更改代碼。

如果 x 或 y 是複數，雅可比仍然是實數，但相應的雅可比維度將是兩倍大。即使輸入和輸出都很複雜，這也是必需的，因為 TensorFlow 圖不一定是全純的，並且可能具有不能表示為複數的梯度。例如，如果 x 是複雜的形狀 [m] 和 y 是複雜的形狀 [n] ，每個雅可比 J 將具有形狀 [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)

相關用法

注：本文由純淨天空篩選整理自tensorflow.org大神的英文原創作品 tf.compat.v1.test.compute_gradient。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。