我想计算张量的渐变＆＃34; Y＆＃34;关于参数矩阵＆＃34; X＆＃34;在Tensorflow。具体来说，我想只计算一组给定的＆＃34;指数＆＃34; ＆＃34; X＆＃34;。以下代码首先计算整个渐变，然后返回与所需索引对应的渐变：
Y=some_function_of_X
grad=tf.gradients(Y,X)
grads_i_want_to_compute=tf.gather(grad,indices)
使用Tensorflow＆＃34; tf.scatter_sub＆＃34;，然后我可以更新参数矩阵的所需索引＆＃34; X＆＃34;基于梯度下降：
tf.scatter_sub(X,indices,learning_rate*grads_i_want_to_compute)
这可以正常工作，但在一天结束时，所有渐变都会被计算出来！为了处理速度，我不想计算所有的梯度。所以我尝试了这个：
Y=some_function_of_X
sparse_X=tf.gather(X,indices)
grads_i_want_to_compute = tf.gradient(Y,sparse_X)
tf.scatter_sub(X,indices,learning_rate*grads_i_want_to_compute)
在后者中，＆＃34; tf.gradient＆＃34;返回＆＃34;无＆＃34;对象所以我无法继续。有谁知道如何解决这个问题？
答案 0 :(得分：1)
要使这项工作，您需要Y作为sparse_X的函数，而不是X的函数。
答案 1 :(得分：0)
您可以尝试将X拆分为一组较小的张量然后计算
Y = f（tf.concat（list_of_X_i，...））
然后计算渐变w.r.t.您关心的每个X_i。对于你想要做的事情，这可能不实际或有效。
另一件需要考虑的事情是，根据网络的深度和结构，X中单个元素的梯度可能取决于上面各层的许多（甚至全部）梯度。因此，与蛮力方法相比，您可能无法节省大量计算。