我手边有一个相当复杂的模型。该模型具有线性结构的多个部分:
y = theano.tensor.dot(W,x) + b
我想构建一个优化器,它使用自定义规则计算所有线性结构的渐变,同时保持其他操作不变。 对于我的模型的所有线性部分,覆盖渐变操作的最简单方法是什么?最好不需要编写新的操作。
答案 0 :(得分:4)
所以,我花了一些时间为Theano工作PR(未合并,截至2017年1月13日已经合并),这使得用户能够部分覆盖{{{1}的渐变1}}实例。覆盖是通过符号图完成的,因此您仍然可以获得theano优化的全部好处。
典型用例:
制作具有覆盖渐变的操作:
theano.OpFromGraph
参数定义OpFromGraph就像编译theano函数一样,但有一点不同:
grad_overrides
和updates
(截至2017年1月)示例:
givens
注意:'''
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!
仍然在很大程度上是实验性的,期待错误。