TensorFlow Autodiff自动微分详解

2026-01-12 17:34:34 作者：用户投稿

如下所示：

with tf.GradientTape(persistent=True) as tape:
 z1 = f(w1, w2 + 2.)
 z2 = f(w1, w2 + 5.)
 z3 = f(w1, w2 + 7.)
 z = [z1,z3,z3]
[tape.gradient(z, [w1, w2]) for z in (z1, z2, z3)]

输出结果

[[<tf.Tensor: id=56906, shape=(), dtype=float32, numpy=40.0>,
 <tf.Tensor: id=56898, shape=(), dtype=float32, numpy=10.0>],
 [<tf.Tensor: id=56919, shape=(), dtype=float32, numpy=46.0>,
 <tf.Tensor: id=56911, shape=(), dtype=float32, numpy=10.0>],
 [<tf.Tensor: id=56932, shape=(), dtype=float32, numpy=50.0>,
 <tf.Tensor: id=56924, shape=(), dtype=float32, numpy=10.0>]]
with tf.GradientTape(persistent=True) as tape:
 z1 = f(w1, w2 + 2.)
 z2 = f(w1, w2 + 5.)
 z3 = f(w1, w2 + 7.)
 z = [z1,z2,z3]
tape.gradient(z, [w1, w2])

输出结果

[<tf.Tensor: id=57075, shape=(), dtype=float32, numpy=136.0>,

<tf.Tensor: id=57076, shape=(), dtype=float32, numpy=30.0>]

总结：如果对一个listz=[z1,z2,z3]求微分，其结果将自动求和，而不是返回z1、z2和z3各自对[w1,w2]的微分。

补充知识：Python/Numpy 矩阵运算符号@

如下所示：

A = np.matrix('3 1; 8 2')

B = np.matrix('6 1; 7 9')

A@B
matrix([[25, 12],
  [62, 26]])

以上这篇TensorFlow Autodiff自动微分详解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。

返回首页上一篇：Keras loss函数剖析下一篇：pandas.DataFrame.drop_duplicat

猜你喜欢

联络方式：

400 9058 355

邮箱：8955556@qq.com

Q Q：8955556

微信二维码

我们猜你喜欢

费用套餐

网站案例: 营销网站; 电商网站; 房产网站; 微信小程序

解决方案

新闻资讯: SEO优化; 网络营销; 网站运营; 网络技术; 帮助教程; 行业新闻; 服务器; 小程序建站; 网络推广; 行业网站; AI大模型

关于我们: 公司简介

加微信咨询

手机访问

© 深圳市千寻多信息科技有限公司版权所有粤ICP备2024262162号

客服QQ

电话

400 9058 355

微信二维码

微信二维码