如何在Tensorflow中创建优化器

Question

我想在Tensorflow上为我的网络编写一个新的优化算法。我希望实现Levenberg Marquardt optimization algorithm，现在已从TF API中排除。我发现关于如何编写自定义优化器的文档很差，所以我问是否有人可以给我任何建议。感谢。

Answer 1

优化器的最简单示例可能是gradient descent optimizer。它显示了如何创建基本optimizer class的实例。优化器基类文档解释了这些方法的用途。

优化器的python端向图中添加了新节点，用于计算和应用反向传播的渐变。它提供了传递给ops的参数，并对优化器进行了一些高级管理。然后，您需要实际的“应用”操作。

Ops同时具有python和C ++组件。编写训练操作与general process of adding an Op to TensorFlow一样（但专门）。

有关计算和应用渐变的一组示例训练操作，请参阅 python/training/training_ops.py - 这是实际培训操作的Python粘合剂。请注意，这里的代码主要是关于形状推断 - 计算将在C ++中进行。

应用渐变的实际数学运算由Op处理（回想一下，ops是用C ++编写的）。在这种情况下，应用渐变操作在core/kernels/training_ops.cc中定义。例如，您可以看到ApplyGradientDescentOp的实现，它引用了一个仿函数ApplyGradientDescent：

var.device(d) -= grad * lr();

Op本身的实现遵循add-an-op docs中描述的任何其他op的实现。

Answer 2

在运行Tensorflow会话之前，应该启动优化程序，如下所示：

# Gradient Descent
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)

tf.train.GradientDescentOptimizer 是 GradientDescentOptimizer 类的对象，顾名思义，它实现了渐变下降算法。

方法 minimize（）以“cost”作为参数调用，包含两种方法 compute_gradients（），然后 apply_gradients（）< /强>

对于大多数（自定义）优化器实现，需要调整 apply_gradients（）方法。

此方法依赖于我们将创建的（新）优化器（类）来实现以下方法： _create_slots（），_ prepare（），_ apply_dense（）和_apply_sparse（）

• _create_slots（）和 _prepare（）创建并初始化其他内容 变量，如动量。

• _apply_dense（）， _apply_sparse（）实现更新变量的实际Ops。

Ops通常用C ++编写。无需自己更改C ++标头，您仍然可以通过这些方法返回一些Ops的python包装器。 这样做如下：

def _create_slots(self, var_list):
   # Create slots for allocation and later management of additional 
   # variables associated with the variables to train.
   # for example: the first and second moments.
   '''
   for v in var_list:
      self._zeros_slot(v, "m", self._name)
      self._zeros_slot(v, "v", self._name)
   '''
def _apply_dense(self, grad, var):
   #define your favourite variable update
    # for example:
   '''
   # Here we apply gradient descents by substracting the variables 
   # with the gradient times the learning_rate (defined in __init__)
   var_update = state_ops.assign_sub(var, self.learning_rate * grad) 
   '''
   #The trick is now to pass the Ops in the control_flow_ops and 
   # eventually groups any particular computation of the slots your 
   # wish to keep track of:
   # for example:    
   '''
    m_t = ...m... #do something with m and grad
    v_t = ...v... # do something with v and grad
    '''
  return control_flow_ops.group(*[var_update, m_t, v_t])

有关示例的更详细说明，请参阅此博客文章 https://www.bigdatarepublic.nl/custom-optimizer-in-tensorflow/