我有一个损失值/函数,我想计算关于张量的所有二阶导数f(的大小为n)。我设法使用tf.gradients两次,但第二次应用它时,它将第一个输入中的衍生物相加(请参阅我的代码中的second_derivatives)。如何在Tensorflow中计算所有二阶导数(只有Hessian矩阵的对角线)?
此外,我设法检索Hessian矩阵,但我只想计算其对角线以避免额外计算。
import tensorflow as tf
import numpy as np
f = tf.Variable(np.array([[1., 2., 0]]).T)
loss = tf.reduce_prod(f ** 2 - 3 * f + 1)
first_derivatives = tf.gradients(loss, f)[0]
second_derivatives = tf.gradients(first_derivatives, f)[0]
hessian = [tf.gradients(first_derivatives[i,0], f)[0][:,0] for i in range(3)]
model = tf.initialize_all_variables()
with tf.Session() as sess:
sess.run(model)
print "\nloss\n", sess.run(loss)
print "\nloss'\n", sess.run(first_derivatives)
print "\nloss''\n", sess.run(second_derivatives)
hessian_value = np.array(map(list, sess.run(hessian)))
print "\nHessian\n", hessian_value
我的想法是,tf.gradients(first_derivatives,F [0,0])[0]将努力对于检索实例的二阶导数F_0但似乎tensorflow不允许从一张张量中派生出来。
坦克的回答,遗憾的是它并没有真正帮助,因为我会喜欢只检索Hessian的对角线。我试着用x [0],x [1] ......来包装,但它仍然给我一个错误。 –
'hess0 = tf.gradients([grads [0]],[x]); hess1 = tf.gradients([grads [1]],[y])'只会计算对角线条目 –
谢谢,我终于设法使用你上次回复的和tf.pack()做到了! –