[英]Computing jacobian matrix in Tensorflow
我想通過 Tensorflow 計算雅可比矩陣。
我擁有的:
def compute_grads(fn, vars, data_num):
grads = []
for n in range(0, data_num):
for v in vars:
grads.append(tf.gradients(tf.slice(fn, [n, 0], [1, 1]), v)[0])
return tf.reshape(tf.stack(grads), shape=[data_num, -1])
fn
是損失函數, vars
都是可訓練的變量, data_num
是數據的數量。
但是如果我們增加數據的數量,運行函數compute_grads
會花費大量時間。 有任何想法嗎?
假設X
和Y
是 Tensorflow 張量並且Y
取決於X
:
from tensorflow.python.ops.parallel_for.gradients import jacobian
J=jacobian(Y,X)
結果具有形狀Y.shape + X.shape
並提供Y
的每個元素相對於X
的每個元素的偏導數。
假設您使用的是 Tensorflow 2 或 Tensorflow <2 和 Eager 模式,您可以使用 GradientTape 和 inbuild 函數:
with tf.GradientTape() as g:
x = tf.constant([1.0, 2.0])
g.watch(x)
y = x * x
jacobian = g.jacobian(y, x)
# jacobian value is [[2., 0.], [0., 4.]]
查看官方文檔了解更多
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.