tensorflow自定义op：梯度

暂时并未解决我的问题，但感觉将来会有用，特此转载。

在使用 tensorflow 的时候，有时不可避免的会需要自定义 op，官方文档对于定义 op 的前向过程介绍挺详细，但是对于梯度的介绍有点随意。本文主要介绍在 python 端，和在 c++ 端对 op 的梯度进行定义。

1.使用python定义op的梯度

第一个例子：

from tensorflow.python.framework import ops
from tensorflow.python.ops import array_ops
from tensorflow.python.ops import sparse_ops@ops.RegisterGradient("ZeroOut")
def _zero_out_grad(op, grad):"""The gradients for `zero_out`.Args:op: The `zero_out` `Operation` that we are differentiating, which we can useto find the inputs and outputs of the original op.grad: Gradient with respect to the output of the `zero_out` op.Returns:Gradients with respect to the input of `zero_out`."""to_zero = op.inputs[0]shape = array_ops.shape(to_zero)index = array_ops.zeros_like(shape)first_grad = array_ops.reshape(grad, [-1])[0]to_zero_grad = sparse_ops.sparse_to_dense([index], shape, first_grad, 0)return [to_zero_grad]  # List of one Tensor, since we have one input

这个是官网的示例，从这个例子中，我们可以学到，在 python 中定义 op 的梯度的时候：

需要一个装饰器， @ops.RegisterGradient("OpName")
梯度函数的签名是 def _computer_gradient(op, grad)，第一个用来接收要计算梯度的 op，第二个用来接收上一层传回来的梯度。
梯度的计算，依旧是 op 的组合。

尚不清楚的是：

如果 op 有多个输出的话，grad应该怎么处理？
梯度计算函数中的操作依旧是 tensorflow 已有的操作，如果 tensorflow 没有想要的操作，应该怎么办？

第二个例子：用 roi 层的实现来作为例子

@ops.RegisterGradient("RoiPool")
def _roi_pool_grad(op, grad, _):"""The gradients for `roi_pool`.Args:op: The `roi_pool` `Operation` that we are differentiating, which we can useto find the inputs and outputs of the original op.grad: Gradient with respect to the output of the `roi_pool` op.Returns:Gradients with respect to the input of `RoiPool`."""data = op.inputs[0]rois = op.inputs[1]argmax = op.outputs[1]pooled_height = op.get_attr('pooled_height')pooled_width = op.get_attr('pooled_width')spatial_scale = op.get_attr('spatial_scale')# compute gradientdata_grad = roi_pooling_op.roi_pool_grad(data, rois, argmax, grad, pooled_height, pooled_width, spatial_scale)return [data_grad, None]  # roi有两个输入，但是第二个输入不需要 梯度

这是 roi 层定义梯度的代码 roi 层有两个输入，两个输出。从这里我们可以学到：

如果想获取 op 的属性，使用 op.get_attr("attr_name")
op.inputs[i] 可以获取 op 的第 i 个输入。
op.outputs[j]，可以获取 op 的第 i 个输出。
roi 梯度的核心还是 roi_pool_grad 计算的，这个 op 不是 tensorflow本身自带的，而是后期注册的。这个告诉我们，如果没有合适的 op 帮助我们计算梯度，我们可以注册一个 op ，用这个op 计算梯度。

关于多个输出的 op

tensorflow 中到底有没有多输出的 op ，这个不太清楚，但是我根据官网的 zero_out 代码写了一個鬼畜的多输出代码，没有任何实用价值，仅供娱乐

#include "tensorflow/core/framework/op.h"
#include "tensorflow/core/framework/shape_inference.h"
#include "tensorflow/core/framework/op_kernel.h"#include <cfloat>#include "third_party/eigen3/unsupported/Eigen/CXX11/Tensor"
#include "tensorflow/core/framework/tensor_shape.h"
#include <iostream>
using namespace std;
using namespace tensorflow;REGISTER_OP("ZeroOut").Input("to_zero: int32").Output("zeroed: int32").Output("indice: int32");class ZeroOutOp : public OpKernel {public:explicit ZeroOutOp(OpKernelConstruction* context) : OpKernel(context) {cout<<"hello, there"<<endl;}void Compute(OpKernelContext* context) override {// Grab the input tensorconst Tensor& input_tensor = context->input(0);auto input = input_tensor.flat<int32>();// Create an output tensorTensor* output_tensor = NULL;Tensor* output_tensor_indice = NULL;TensorShape indice_shape;int dims[] = {1};TensorShapeUtils::MakeShape(dims, 1, &indice_shape);OP_REQUIRES_OK(context, context->allocate_output(0, input_tensor.shape(),&output_tensor));OP_REQUIRES_OK(context, context->allocate_output(1, indice_shape,&output_tensor_indice));auto output_flat = output_tensor->flat<int32>();auto indice_flat = output_tensor_indice->flat<int32>();indice_flat(0) = 3;// Set all but the first element of the output tensor to 0.const int N = input.size();for (int i = 1; i < N; i++) {output_flat(i) = 0;}// Preserve the first input value if possible.if (N > 0) output_flat(0) = input(0);}
};REGISTER_KERNEL_BUILDER(Name("ZeroOut").Device(DEVICE_CPU), ZeroOutOp);// 编译命令
// TF_INC=$(python -c 'import tensorflow as tf; print(tf.sysconfig.get_include())')
//  g++ -std=c++11 -shared zero_out.cc -o zero_out.so -fPIC -I $TF_INC -O2 -D_GLIBCXX_USE_CXX11_ABI=0

通过这个例子，学到了：

对于多输出的 op ，run 时候返回的不是 ndarray ，而是一个对象 <class '598f596b9f78ee7154fbfc866bcdc81d.ZeroOut'>，我们可以通过下标索引来获取 op 的第一，第二个 outputs。

多输出梯度的定义

当 ZeroOut 有两个输出的时候，下面这个代码会报错，TypeError: _zero_out_grad() takes 2 positional arguments but 3 were given，这就说明，如果 op 有 N 个输出的话，那么gradient 函数就应该有 N+1 个参数，分别代表，op 和各个输出的梯度。

# wrong!!
@ops.RegisterGradient("ZeroOut")
def _zero_out_grad(op, grad):to_zero = op.inputs[0]shape = array_ops.shape(to_zero)index = array_ops.zeros_like(shape)first_grad = array_ops.reshape(grad, [-1])[0]to_zero_grad = sparse_ops.sparse_to_dense([index], shape, first_grad, 0)return [to_zero_grad]# right!!
@ops.RegisterGradient("ZeroOut")
def _zero_out_grad(op, grad, _):to_zero = op.inputs[0]shape = array_ops.shape(to_zero)index = array_ops.zeros_like(shape)first_grad = array_ops.reshape(grad, [-1])[0]to_zero_grad = sparse_ops.sparse_to_dense([index], shape, first_grad, 0)return [to_zero_grad]

2. C++端定义op的梯度

c++ 定义 op 的梯度主要使用的 REGISTER_OP_GRADIENT 宏和 FDH (Function Define Helper)

先从最简单的看起 ReluGrad 源码地址

#include "tensorflow/core/framework/function.h"
#include "tensorflow/core/lib/core/errors.h"
#include "tensorflow/core/util/padding.h"
#include "tensorflow/core/util/tensor_format.h"namespace tensorflow {typedef FunctionDefHelper FDH;
Status ReluGrad(const AttrSlice& attrs, FunctionDef* g) {// clang-format off*g = FDH::Define(// Arg defs，定义参数，前向过程的输入 和 输出的梯度{"x: T", "dy: T"},// Ret val defs，梯度返回值定义{"dx: T"},// Attr defs，属性定义，{{"T: {float, double}"}},// Nodes，节点定义：用已有的 op 计算梯度，下面的定义过程就是梯度的计算过程。{{{"dx"}, "ReluGrad", {"dy", "x"}, {{"T", "$T"}}}});// clang-format onreturn Status::OK();
}
REGISTER_OP_GRADIENT("Relu", ReluGrad);}

一些核心 op 的 REGISTER 部分 github

参考资料

https://zhuanlan.zhihu.com/p/25929909

tensorflow自定义op：梯度相关推荐

tensorflow自定义op和梯度
参考资料官网教程链接 http://www.tensorfly.cn/tfdoc/how_tos/adding_an_op.html#AUTOGENERATED-implement-the-grad ...
tensorflow：自定义op
比官网介绍的更好理解,特此转载 tensorflow:自定义op简单介绍 2017年06月26日 13:32:55 阅读数:6094 tensorflow 自定义 op 本文只是简单的翻译了 http ...
tensorflow：自定义op简单介绍
本文只是简单的翻译了 https://www.tensorflow.org/extend/adding_an_op 的简单部分,高级部分请移步官网. 可能需要新定义 c++ operation 的几种 ...
TensorFlow使用Python自定义op和损失函数
TensorFlow使用Python自定义op和损失函数 TensorFlow是静态图结构,即必须把所有的操作以及网络结构定义好(后来有了动态图功能,即Eager Execution ),在没有用tf ...
【Tensorflow】Tensorflow 自定义梯度
目录前言自定义梯度说明 gradient_override_map的使用多输入与多输出op 利用stop_gradient 参考 [fishing-pan:https://blog.csdn. ...
Ubuntu tensorflow自定义GPU版本op节点
参考:https://blog.csdn.net/qq_27637315/article/details/79114633 windows增加op节点: https://github.com/tens ...
Tensorflow利用函数修饰符@tf.custom_gradients自定义函数梯度
Tensorflow学习笔记(1) 利用函数修饰符@tf.custom_gradients自定义函数梯度_寂乐居士的博客-CSDN博客_tf.custom_gradient python中的修饰符以及 ...
TensorFlow实现自定义Op
『写在前面』以CTC Beam search decoder为例,简单整理一下TensorFlow实现自定义Op的操作流程. 基本的流程 1. 定义Op接口 #include "tenso ...
Pytorch1.1.0 入门自定义op（python）
因为需求,需要调研tensorRT与ONNX关于自定义层的方法.经过之前的调研,首先,关于onnx,开发者手册中的介绍有限,在已知的demo中没有关于onnx自定义层的,详情见TensorRT 5.1 ...

tensorflow自定义op：梯度

1.使用python定义op的梯度

2. C++端定义op的梯度

参考资料

tensorflow自定义op：梯度相关推荐

最新文章

热门文章