【小白学PyTorch】20 TF2的eager模式与求导

【新闻】：机器学习炼丹术的粉丝的人工智能交流群已经建立，目前有目标检测、医学图像、时间序列等多个目标为技术学习的分群和水群唠嗑的总群，欢迎大家加炼丹兄为好友，加入炼丹协会。微信：cyx645016617.

参考目录：

文章目录

1 什么是eager模式2 TF1.0 vs TF2.03 获取导数/梯度4 获取高阶导数 之前讲解了如何构建数据集，如何创建TFREC文件，如何构建模型，如何存储模型。**这一篇文章主要讲解，TF2中提出的一个eager模式，这个模式大大简化了TF的复杂程度。**

1 什么是eager模式

Eager模式（积极模式），我认为是TensorFlow2.0最大的更新，没有之一。

Tensorflow1.0的时候还是静态计算图，在《小白学PyTorch》系列的第一篇内容，就讲解了Tensorflow的静态特征图和PyTorch的动态特征图的区别。Tensorflow2.0提出了eager模式，在这个模式下，也支持了动态特征图的构建

不得不说，改的和PyTorch越来越像了，但是人类的工具总是向着简单易用的方向发展，这肯定是无可厚非的。

2 TF1.0 vs TF2.0

TF1.0中加入要计算梯度，是只能构建静态计算图的。

是先构建计算流程；然后开始起一个会话对象；把数据放到这个静态的数据图中。

整个流程非常的繁琐。

# 这个是tensorflow1.0的代码 import tensorflow as tf a = tf.constant(3.0) b = tf.placeholder(dtype = tf.float32) c = tf.add(a,b) sess = tf.Session() #创建会话对象 init = tf.global_variables_ini tializer() sess.run(init) #初始化会话对象 feed = { b: 2.0 } #对变量b赋值 c_res = sess.run(c, feed) #通过会话驱动计算图获取计算结果 print(c_res)

代码中，我们需要用palceholder先开辟一个内存空间，然后构建好静态计算图后，在把数据赋值到这个被开辟的内存中，然后再运行整个计算流程。

下面我们来看在eager模式下运行上面的代码

import tensorflow as tf a = tf.Variable(2) b = tf.Variable(20) c = a + b

没错，这样的话，就已经完成一个动态计算图的构建，TF2是默认开启eager模式的，所以不需要要额外的设置了。这样的构建方法，和PyTorch是非常类似的。

3 获取导数/梯度

假如我们使用的是PyTorch，那么我们如何得到$w\times x+b$的导数呢？

import torch # Create tensors. x = torch.tensor(10., requires_grad=True) w = torch.tensor(2., requires_grad=True) b = torch.tensor(3., requires_grad=True) # Build a computational graph. y = w * x + b # y = 2 * x + 3 # Compute gradients. y.backward() # Print out the gradients. print(x.grad) # tensor(2.) print(w.grad) # tensor(10.) print(b.grad) # tensor(1.)

都没问题吧，下面用Tensorflow2.0来重写一下上面的内容：

import tensorflow as tf x = tf.convert_to_tensor(10.) w = tf.Variable(2.) b = tf.Variable(3.) with tf.GradientTape() as tape: z = w * x + b dz_dw = tape.gradient(z,w) print(dz_dw) >>> tf.Tensor(10.0, shape=(), dtype=float32)

我们需要注意这几点：

首先结果来看，没问题，w的梯度就是10；对于参与计算梯度、也就是参与梯度下降的变量，是需要用tf.Varaible来定义的;不管是变量还是输入数据，都要求是浮点数float，如果是整数的话会报错，并且梯度计算输出None； tensorflow提供tf.GradientTape来实现自动求导，所以在tf.GradientTape内进行的操作，都会记录在tape当中，这个就是tape的概念。一个摄影带，把计算的过程录下来，然后进行求导操作

现在我们不仅要输出w的梯度，还要输出b的梯度，我们把上面的代码改成：

import tensorflow as tf x = tf.convert_to_tensor(10.) w = tf.Variable(2.) b = tf.Variable(3.) with tf.GradientTape() as tape: z = w * x + b dz_dw = tape.gradient(z,w) dz_db = tape.gradient(z,b) print(dz_dw) print(dz_db)

运行结果为：

这个错误翻译过来就是一个non-persistent的录像带，只能被要求计算一次梯度。 我们用tape计算了w的梯度，然后这个tape清空了数据，所有我们不能再计算b的梯度。

解决方法也很简单，我们只要设置这个tape是persistent就行了：

import tensorflow as tf x = tf.convert_to_tensor(10.) w = tf.Variable(2.) b = tf.Variable(3.) with tf.GradientTape(persistent=True) as tape: z = w * x + b dz_dw = tape.gradient(z,w) dz_db = tape.gradient(z,b) print(dz_dw) print(dz_db)

运行结果为：

4 获取高阶导数

import tensorflow as tf x = tf.Variable(1.0) with tf.GradientTape() as t1: with tf.GradientTape() as t2: y = x * x * x dy_dx = t2.gradient(y, x) print(dy_dx) d2y_d2x = t1.gradient(dy_dx, x) print(d2y_d2x) >>> tf.Tensor(3.0, shape=(), dtype=float32) >>> tf.Tensor(6.0, shape=(), dtype=float32)

想要得到二阶导数，就要使用两个tape，然后对一阶导数再求导就行了。