Question

作为Tensorflow的新手，我试图了解tf.gradients和tf.keras.backend.gradients的基础功能之间的区别。

后者找到具有成本函数的输入要素值的梯度。

但是我对前者是否能计算成本函数梯度还是输出概率不清楚（例如，考虑使用简单前馈网络进行二进制分类的情况。此处将输出概率称为单神经元末层的乙状结肠活化结果，成本由二元交叉熵给出）

我已经参考了tf.gradients的官方文档，但是（对于我来说）它简短而模糊，我没有清晰的画面-文档将其称为“ y”-是成本还是输出概率？

为什么需要渐变？实现基于基本梯度的特征归因。

Answer 1

它们基本相同。 tf.keras是TensorFlow的高级API，用于构建和训练深度学习模型。它用于快速原型制作，最先进的研究和生产。 tf.Keras基本上在其后端使用Tensorflow。通过查看tf.Keras源代码here，我们可以看到tf.keras.backend.gradients确实使用了tf.gradients：

# Part of Keras.backend.py

from tensorflow.python.ops import gradients as gradients_module

@keras_export('keras.backend.gradients')
def gradients(loss, variables):
  """Returns the gradients of `loss` w.r.t. `variables`.
  Arguments:
      loss: Scalar tensor to minimize.
      variables: List of variables.
  Returns:
      A gradients tensor.
  """
   # ========
   # Uses tensorflow's gradient function
   # ========
  return gradients_module.gradients(
      loss, variables, colocate_gradients_with_ops=True)

区别-tf.gradients与tf.keras.backend.gradients

1 个答案: