溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
這篇文章將為大家詳細講解有關TensorFlow的自動求導原理是什么，小編覺得挺實用的，因此分享給大家做個參考，希望大家閱讀完這篇文章后可以有所收獲。
TensorFlow使用的求導方法稱為自動微分（Automatic Differentiation），它既不是符號求導也不是數值求導，而類似于將兩者結合的產物。
最基本的原理就是鏈式法則，關鍵思想是在基本操作（op）的水平上應用符號求導，并保持中間結果（grad）。
基本操作的符號求導定義在\tensorflow\python\ops\math_grad.py文件中，這個文件中的所有函數都用RegisterGradient裝飾器包裝了起來，這些函數都接受兩個參數op和grad，參數op是操作，第二個參數是grad是之前的梯度。
舉個例子：
補充：聊聊Tensorflow自動求導機制
在即時執行模式下，Tensorflow引入tf.GradientTape()這個“求導記錄器”來實現自動求導。
import tensorflow as tf #定義變量 x = tf.Variable(initial_value = 3.) #在tf.GradientTape()的上下文內，所有計算步驟都會被記錄以用于求導 with tf.GradientTape() as tape: #y = x^2 y = tf.square(x) #計算y關于x的導數(斜率，梯度) y_grad = tape.gradient(y,x) print([y,y_grad])
輸出：
[<tf.Tensor: shape=(), dtype=float32, numpy=9.0>, <tf.Tensor: shape=(), dtype=float32, numpy=6.0>]
關于“TensorFlow的自動求導原理是什么”這篇文章就分享到這里了，希望以上內容可以對大家有一定的幫助，使各位可以學到更多知識，如果覺得文章不錯，請把它分享出去讓更多的人看到。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
