我正在用TensorFlow构建一个简单的多层感知器,我还需要在神经网络的输入端获得损耗的梯度(或误差信号) .
这是我的代码,它有效:
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(self.network, self.y))
optimizer = tf.train.AdagradOptimizer(learning_rate=nn_learning_rate).minimize(cost)
...
for i in range(epochs):
....
for batch in batches:
...
sess.run(optimizer, feed_dict=feed_dict)
grads_wrt_input = sess.run(tf.gradients(cost, self.x), feed_dict=feed_dict)[0]
(编辑包括训练循环)
没有最后一行( grads_wrt_input...
),这在CUDA机器上运行得非常快 . 但是, tf.gradients()
将性能大幅降低了十倍或更多 .
我记得节点中的错误信号是作为反向传播算法中的中间值计算的,我已经使用Java库DeepLearning4j成功地完成了这个 . 我还认为这会对 optimizer
已经构建的计算图略有修改 .
如何更快地制作,或者是否有任何其他方法来计算损失的梯度w.r.t.投入?
1 回答
tf.gradients()
函数每次调用时都会构建一个新的反向传播图,因此减速的原因是TensorFlow必须在循环的每次迭代中解析一个新图 . (这可能非常昂贵:TensorFlow的当前版本经过优化,可以多次执行相同的图形 . )幸运的是,解决方案很简单:只需在循环外计算一次渐变 . 您可以按如下方式重构代码:
请注意,为了提高性能,我还结合了两个
sess.run()
调用 . 这确保了可以重复使用前向传播和大部分反向传播 .另外,找到这样的性能错误的一个技巧是在开始训练循环之前调用tf.get_default_graph().finalize() . 如果您无意中向图中添加了任何节点,这将引发异常,从而更容易跟踪这些错误的原因 .