如何在 tensorflow 2.0 中累积梯度？

Question

我正在用tensorflow 2.0训练模型。 我的训练集中的图像具有不同的分辨率。 我构建的模型可以处理可变分辨率（转换层，然后是全局平均）。 我的训练集非常小，我想在一个批次中使用完整的训练集。

由于我的图像具有不同的分辨率，因此我无法使用model.fit() 。 因此，我计划将每个样本单独通过网络，累积错误/梯度，然后应用一个优化器步骤。 我能够计算损失值，但我不知道如何累积损失/梯度。 如何累积损失/梯度，然后应用单个优化器步骤？

代码：

for i in range(num_epochs):
    print(f'Epoch: {i + 1}')
    total_loss = 0
    for j in tqdm(range(num_samples)):
        sample = samples[j]
        with tf.GradientTape as tape:
            prediction = self.model(sample)
            loss_value = self.loss_function(y_true=labels[j], y_pred=prediction)
        gradients = tape.gradient(loss_value, self.model.trainable_variables)
        self.optimizer.apply_gradients(zip(gradients, self.model.trainable_variables))
        total_loss += loss_value

    epoch_loss = total_loss / num_samples
    print(f'Epoch loss: {epoch_loss}')

Answer 1

根据Stack Overflow Answer和Tensorflow 网站中提供的解释，下面提到的是在 Tensorflow 2.0 版中累积梯度的代码：

def train(epochs):
  for epoch in range(epochs):
    for (batch, (images, labels)) in enumerate(dataset):
       with tf.GradientTape() as tape:
        logits = mnist_model(images, training=True)
        tvs = mnist_model.trainable_variables
        accum_vars = [tf.Variable(tf.zeros_like(tv.initialized_value()), trainable=False) for tv in tvs]
        zero_ops = [tv.assign(tf.zeros_like(tv)) for tv in accum_vars]
        loss_value = loss_object(labels, logits)

       loss_history.append(loss_value.numpy().mean())
       grads = tape.gradient(loss_value, tvs)
       #print(grads[0].shape)
       #print(accum_vars[0].shape)
       accum_ops = [accum_vars[i].assign_add(grad) for i, grad in enumerate(grads)]



    optimizer.apply_gradients(zip(grads, mnist_model.trainable_variables))
    print ('Epoch {} finished'.format(epoch))

# Call the above function    
train(epochs = 3)

完整的代码可以在这个Github Gist 中找到。

Answer 2

如果我从这个陈述中正确理解：

如何累积损失/梯度，然后应用单个优化器步骤？

@Nagabhushan 正在尝试累积梯度，然后对（平均）累积梯度应用优化。 @TensorflowSupport 提供的答案没有回答。 为了只执行一次优化，并从多个磁带中累积梯度，您可以执行以下操作：

for i in range(num_epochs):
    print(f'Epoch: {i + 1}')
    total_loss = 0

    # get trainable variables
    train_vars = self.model.trainable_variables
    # Create empty gradient list (not a tf.Variable list)
    accum_gradient = [tf.zeros_like(this_var) for this_var in train_vars]

    for j in tqdm(range(num_samples)):
        sample = samples[j]
        with tf.GradientTape as tape:
            prediction = self.model(sample)
            loss_value = self.loss_function(y_true=labels[j], y_pred=prediction)
        total_loss += loss_value

        # get gradients of this tape
        gradients = tape.gradient(loss_value, train_vars)
        # Accumulate the gradients
        accum_gradient = [(acum_grad+grad) for acum_grad, grad in zip(accum_gradient, gradients)]


    # Now, after executing all the tapes you needed, we apply the optimization step
    # (but first we take the average of the gradients)
    accum_gradient = [this_grad/num_samples for this_grad in accum_gradient]
    # apply optimization step
    self.optimizer.apply_gradients(zip(accum_gradient,train_vars))
        

    epoch_loss = total_loss / num_samples
    print(f'Epoch loss: {epoch_loss}')

应避免在训练循环中使用 tf.Variable()，因为在尝试将代码作为图形执行时会产生错误。 如果你在你的训练函数中使用 tf.Variable() 然后用“@tf.function”装饰它或应用“tf.function(my_train_fcn)”来获得一个图函数（即为了提高性能），执行将上升错误。 发生这种情况是因为对 tf.Variable 函数的跟踪导致了与在急切执行中观察到的行为（分别为重新利用或创建）不同的行为。 您可以在tensorflow 帮助页面中找到更多信息。