tf.compat.v1.test.compute_gradient
Вычисляет и возвращает теоретический и численный якобиан. (устарело)
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
)
Если x или y комплексные, якобиан по-прежнему будет вещественным, но соответствующие размерности якобиана будут в два раза больше. Это необходимо, даже если вход и выход комплексные, так как графы TensorFlow не обязательно голоморфны и могут иметь градиенты, не выразимые в виде комплексных чисел. Например, если x комплексное с формой [m] и y комплексное с формой [n], каждый якобиан J будет иметь форму [m * 2, n * 2] с
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)
| Аргументы | |
|---|---|
x | тензор или список тензоров |
x_shape | размерности x в виде кортежа или массива целых чисел. Если x – список, то это список форм. |
y | тензор |
y_shape | размерности y в виде кортежа или массива целых чисел. |
x_init_value | (необязательно) массив NumPy той же формы, что и "x", представляющий начальное значение x. Если x – список, это должен быть список массивов NumPy. Если это None, функция выберет случайный тензор в качестве начального значения. |
delta | (необязательно) величина возмущения. |
init_targets | список целей для выполнения для инициализации параметров модели. |
extra_feed_dict | словарь, позволяющий фиксировать заданные значения тензоров во время вычисления якобиана. |
| Возвращаемые значения | |
|---|---|
| Два 2-мерных массива NumPy, представляющие теоретический и численный якобиан dy/dx. Каждый имеет "x_size" строк и "y_size" столбцов, где "x_size" – количество элементов в x, а "y_size" – количество элементов в y. Если x – список, возвращает список из двух массивов NumPy. |
© 2020 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 3.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/versions/r2.3/api_docs/python/tf/compat/v1/test/compute_gradient
