我手头有一个相当复杂的模型。这个模型由多个具有 线性 结构的部分组成:
y = theano.tensor.dot(W,x) + b
我希望构建一个优化器,使用自定义规则计算所有线性结构的梯度,同时保持其他操作不变。 有没有最简单的方法来覆盖模型中所有线性部分的梯度运算? 最好无需编写新的操作。
我手头有一个相当复杂的模型。这个模型由多个具有 线性 结构的部分组成:
y = theano.tensor.dot(W,x) + b
我希望构建一个优化器,使用自定义规则计算所有线性结构的梯度,同时保持其他操作不变。 有没有最简单的方法来覆盖模型中所有线性部分的梯度运算? 最好无需编写新的操作。
theano.OpFromGraph
实例的梯度。用符号图进行覆盖,因此您仍然可以获得Theano优化的全部好处。grad_overrides
参数
- 调用OfG实例以构建模型示例:
'''
This creates an atan2_safe Op with smoothed gradient at (0,0)
'''
import theano as th
import theano.tensor as T
# Turn this on if you want theano to build one large graph for your model instead of precompiling the small graph.
USE_INLINE = False
# In a real case you would set EPS to a much smaller value
EPS = 0.01
# define a graph for needed Op
s_x, s_y = T.scalars('xy')
s_darg = T.scalar(); # backpropagated gradient
s_arg = T.arctan2(s_y, s_x)
s_abs2 = T.sqr(s_x) + T.sqr(s_y) + EPS
s_dx = -s_y / s_abs2
s_dy = s_x / s_abs2
# construct OfG with gradient overrides
# NOTE: there are unused inputs in the gradient expression,
# however the input count must match, so we pass
# on_unused_input='ignore'
atan2_safe_grad = th.OpFromGraph([s_x, s_y, s_darg], [s_dx, s_dy], inline=USE_INLINE, on_unused_input='ignore')
atan2_safe = th.OpFromGraph([s_x, s_y], [s_arg], inline=USE_INLINE, grad_overrides=atan2_safe_grad)
# build graph using the new Op
x, y = T.scalar(), T.scalar()
arg = atan2_safe(x, y)
dx, dy = T.grad(arg, [x, y])
fn = th.function([x, y], [dx, dy])
fn(1., 0.) # gives [-0.0, 0.99099]
fn(0., 0.) # gives [0.0, 0.0], no more annoying nan!
注意: theano.OpFromGraph
仍然处于实验阶段,可能会有错误。