Tensorflow之梯度裁剪的实现示例

tensorflow中的梯度计算和更新

为了解决深度学习中常见的梯度消失（gradient explosion）和梯度爆炸（gradients vanishing）问题，tensorflow中所有的优化器tf.train.xxxOptimizer都有两个方法：

1. compute_gradients
2. apply_gradients

compute_gradients

对于compute_gradients方法，计算var_list中参数的梯度，使得loss变小。默认情况下，var_list为GraphKeys.TRAINABLE_VARIABLES中的所有参数。

compute_gradients方法返回由多个（gradients， variable）二元组组成的列表。

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

apply_gradients

对于apply_gradients方法，根据compute_gradients的返回结果对参数进行更新

apply_gradients(
  grads_and_vars,
  global_step=None,
  name=None
)

梯度裁剪(Gradient Clipping)

tensorflow中裁剪梯度的几种方式

方法一tf.clip_by_value

def clip_by_value(t, clip_value_min, clip_value_max,
         name=None):

其中，t为一个张量，clip_by_value返回一个与t的type相同、shape相同的张量，但是新tensor中的值被裁剪到了clip_value_min和clip_value_max之间。

方法二:tf.clip_by_global_norm

def clip_by_global_norm(t_list, clip_norm, use_norm=None, name=None):

其中，t_list为A tuple or list of mixed Tensors, IndexedSlices, or None。clip_norm为clipping ratio，use_norm指定global_norm，如果use_norm为None，则按global_norm = sqrt(sum([l2norm(t)**2 for t in t_list]))计算global_norm。

最终，梯度的裁剪方式为

可知，如果clip_norm > global_norm, 则不对梯度进行裁剪，否则对梯度进行缩放。

  scale = clip_norm * math_ops.minimum(
    1.0 / use_norm,
    constant_op.constant(1.0, dtype=use_norm.dtype) / clip_norm)

方法的返回值为裁剪后的梯度列表list_clipped和global_norm

示例代码

optimizer = tf.train.AdamOptimizer(learning_rate)
gradients, v = zip(*optimizer.compute_gradients(loss))
gradients, _ = tf.clip_by_global_norm(gradients, grad_clip)
updates = optimizer.apply_gradients(zip(gradients, v),global_step=global_step)

方法三tf.clip_by_average_norm

def clip_by_average_norm(t, clip_norm, name=None):

t为张量，clip_norm为maximum clipping value

裁剪方式如下，

其中，avg_norm=l2norm_avg(t)

方法四:tf.clip_by_norm

def clip_by_norm(t, clip_norm, axes=None, name=None):

t为张量，clip_norm为maximum clipping value

裁剪方式为

示例代码

optimizer = tf.train.AdamOptimizer(learning_rate, beta1=0.5)
grads = optimizer.compute_gradients(cost)
for i, (g, v) in enumerate(grads):
  if g is not None:
    grads[i] = (tf.clip_by_norm(g, 5), v) # clip gradients
train_op = optimizer.apply_gradients(grads)

注意到，clip_by_value、clib_by-avg_norm和clip_by_norm都是针对于单个张量的，而clip_by_global_norm可用于多个张量组成的列表。

到此这篇关于Tensorflow之梯度裁剪的实现示例的文章就介绍到这了,更多相关Tensorflow 梯度裁剪内容请搜索以前的文章或继续浏览下面的相关文章希望大家以后多多支持！