就在这里!
信用:
很难找到信息并使其正常工作,但这里有一个例子,复制了here和here中找到的原则和代码.
要求:
在我们开始之前,有两个要求才能成功.首先,您需要能够将激活编写为numpy数组上的函数.其次,您必须能够将该函数的派生函数作为Tensorflow中的函数(更简单)或最坏情况下编写为numpy数组上的函数.
写入激活功能:
那么让我们以我们想要使用激活函数的函数为例:
def spiky(x):
r = x % 1
if r <= 0.5:
return r
else:
return 0
其外观如下:
第一步是将它变成一个numpy函数,这很容易:
import numpy as np
np_spiky = np.vectorize(spiky)
现在我们应该写出它的衍生物.
激活梯度:
在我们的例子中它很容易,如果x mod 1 <1则为1.否则为0.5和0.所以:
def d_spiky(x):
r = x % 1
if r <= 0.5:
return 1
else:
return 0
np_d_spiky = np.vectorize(d_spiky)
现在为了制作TensorFlow功能的困难部分.
为一个张量流fct制作一个numpy fct:
我们将首先将np_d_spiky转换为tensorflow函数. tensorflow中有一个函数tf.py_func(func,inp,Tout,stateful = stateful,name = name)[doc]将任何numpy函数转换为tensorflow函数,因此我们可以使用它:
import tensorflow as tf
from tensorflow.python.framework import ops
np_d_spiky_32 = lambda x: np_d_spiky(x).astype(np.float32)
def tf_d_spiky(x,name=None):
with tf.name_scope(name, "d_spiky", [x]) as name:
y = tf.py_func(np_d_spiky_32,
[x],
[tf.float32],
name=name,
stateful=False)
return y[0]
tf.py_func作用于张量列表(并返回张量列表),这就是为什么我们有[x](并返回y [0]).有状态选项是告诉tensorflow函数是否总是为同一输入提供相同的输出(stateful = False),在这种情况下,tensorflow可以简单地是张量流图,这是我们的情况,在大多数情况下可能就是这种情况.此时要注意的一件事是numpy使用float64但是tensorflow使用float32所以你需要将你的函数转换为使用float32,然后才能将它转换为tensorflow函数,否则tensorflow会抱怨.这就是我们需要先制作np_d_spiky_32的原因.
渐变怎么样?仅执行上述操作的问题在于,即使我们现在有tf_d_spiky是np_d_spiky的张量流版本,但是如果我们想要的话,我们也不能将它用作激活函数,因为tensorflow不知道如何计算它的渐变功能.
Hack获取渐变:正如上面提到的来源中所解释的那样,使用tf.RegisterGradient [doc]和tf.Graph.gradient_override_map [doc]定义函数的渐变有一个hack.从harpone复制代码我们可以将tf.py_func函数修改为让它同时定义渐变:
def py_func(func, inp, Tout, stateful=True, name=None, grad=None):
# Need to generate a unique name to avoid duplicates:
rnd_name = 'PyFuncGrad' + str(np.random.randint(0, 1E+8))
tf.RegisterGradient(rnd_name)(grad) # see _MySquareGrad for grad example
g = tf.get_default_graph()
with g.gradient_override_map({"PyFunc": rnd_name}):
return tf.py_func(func, inp, Tout, stateful=stateful, name=name)
现在我们差不多完成了,唯一的事情就是我们需要传递给上面的py_func函数的grad函数需要采用一种特殊的形式.它需要在操作之前进行操作和先前的渐变,并在操作之后向后传播渐变.
渐变功能:因此对于我们的尖刺激活功能,我们将如何做到:
def spikygrad(op, grad):
x = op.inputs[0]
n_gr = tf_d_spiky(x)
return grad * n_gr
激活函数只有一个输入,这就是x = op.inputs [0]的原因.如果操作有很多输入,我们需要返回一个元组,每个输入一个渐变.例如,如果操作是a-b相对于a的梯度是1并且相对于b是-1,那么我们将返回1 * grad,-1 * grad.请注意,我们需要返回输入的tensorflow函数,这就是为什么需要tf_d_spiky,np_d_spiky不起作用,因为它不能对张量流张量起作用.或者我们可以使用tensorflow函数编写导数:
def spikygrad2(op, grad):
x = op.inputs[0]
r = tf.mod(x,1)
n_gr = tf.to_float(tf.less_equal(r, 0.5))
return grad * n_gr
将它们结合在一起:既然我们拥有所有的部分,我们可以将它们组合在一起:
np_spiky_32 = lambda x: np_spiky(x).astype(np.float32)
def tf_spiky(x, name=None):
with tf.name_scope(name, "spiky", [x]) as name:
y = py_func(np_spiky_32,
[x],
[tf.float32],
name=name,
grad=spikygrad) #
return y[0]
现在我们完成了.我们可以测试一下.
测试:
with tf.Session() as sess:
x = tf.constant([0.2,0.7,1.2,1.7])
y = tf_spiky(x)
tf.initialize_all_variables().run()
print(x.eval(), y.eval(), tf.gradients(y, [x])[0].eval())
[ 0.2 0.69999999 1.20000005 1.70000005] [ 0.2 0. 0.20000005 0.] [ 1. 0. 1. 0.]
成功!