Python tf.compat.v1.train.RMSPropOptimizer.compute_gradients用法及代碼示例

用法

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

為 var_list 中的變量計算 loss 的梯度。

遷移到 TF2

警告：這個 API 是為 TensorFlow v1 設計的。繼續閱讀有關如何從該 API 遷移到本機 TensorFlow v2 等效項的詳細信息。見TensorFlow v1 到 TensorFlow v2 遷移指南有關如何遷移其餘代碼的說明。

TF2 中的tf.keras.optimizers.Optimizer 沒有提供compute_gradients 方法，您應該使用tf.GradientTape 來獲取漸變：

@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：損失：包含要最小化的值的張量或不帶參數的可調用函數，它返回要最小化的值。啟用即刻執行後，它必須是可調用的。 var_list：要更新以最小化 loss 的 tf.Variable 的可選列表或元組。默認為鍵 GraphKeys.TRAINABLE_VARIABLES 下圖表中收集的變量列表。 gate_gradients：如何對梯度的計算進行門控。可以是 GATE_NONE , GATE_OP 或 GATE_GRAPH 。 aggregation_method：指定用於組合梯度項的方法。有效值在類 AggregationMethod 中定義。 colocate_gradients_with_ops：如果為真，請嘗試將漸變與相應的操作放在一起。 grad_loss：可選。一個 Tensor 保存為 loss 計算的梯度。

返回：(梯度，變量)對的列表。變量始終存在，但梯度可以是 None 。

引發：類型錯誤：如果 var_list 包含除 Variable 對象之外的任何其他內容。 ValueError：如果某些參數無效。 RuntimeError：如果在啟用即刻執行的情況下調用並且loss 不可調用。

@compatibility(eager) 啟用即刻執行時，gate_gradients , aggregation_method 和 colocate_gradients_with_ops 將被忽略。

說明

這是 minimize() 的第一部分。它返回一個(梯度，變量)對列表，其中"gradient" 是"variable" 的梯度。請注意，如果給定變量沒有梯度，"gradient" 可以是 Tensor、IndexedSlices 或 None。