如下所示：
|
1
2
3
4
5
6
|
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
|
1
2
3
4
5
6
7
8
9
10
11
12
|
[[<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')
|
1
2
3
|
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服务器之家。
原文链接：https://www.cnblogs.com/yaos/p/12753268.html