我正在使用tensorflow的这个函数来获取我的函数jacobian . 遇到两个问题：
- 如果我没有弄错的话，张量流文档在以下两段中与自身相矛盾：
gradient（）将ops添加到图形中以输出ys相对于xs的偏导数 . 它返回长度为len（xs）的Tensor列表，其中每个张量是y中y的和（dy / dx） . Blockquote Blockquote返回：xs中每个x的sum（dy / dx）列表 . 大段引用
根据我的测试，它实际上是返回len（ys）的向量，它是xs中每个x的和（dy / dx） .
-
我不明白为什么他们设计它的方式是返回是列的总和（或行，取决于你如何定义雅可比行列式） .
-
我怎么能真正得到雅可比人呢？
4.在丢失中，我需要关于输入（x）的函数的偏导数，但是当我针对网络权重进行优化时，我将x定义为占位符，其值稍后被输入，并且权重是可变的在这种情况下，我还可以定义关于输入（x）的函数的符号导数吗？并把它丢失？ （后来当我们对权重进行优化时会带来函数的二阶导数 . ）
1 回答
我认为你是对的，那里有一个错字，它可能意味着“长度为len（ys）” .
为了提高效率 . 我无法准确解释推理，但这似乎是TensorFlow如何处理自动差异化的一个非常基本的特征 . 见issue #675 .
在TensorFlow中没有直接获得雅可比矩阵的方法 . 看看this answer再次issue #675 . 基本上，每列/每行需要一次
tf.gradients调用 .是的，当然 . 你可以计算你想要的任何渐变，实际上占位符和任何其他操作之间没有真正的区别 . 有一些操作没有渐变，因为它没有很好地定义或没有实现（在这种情况下它通常会返回0），但这就是全部 .