tensorflow 梯度freeze整理

博主面试时发现自己对TensorFlow梯度处理不熟,进行了整理。介绍了compute_gradients和apply_gradients的使用,前者可过滤要冻结的参数,后者用于执行梯度更新。还提及一个opt只对部分参数优化,给出了冻结变量方法及相关探究文章链接。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

面试的时候问了如何freeze 梯度,感觉自己tensorflow梯度处理这块很不熟,整理一下:

optimizer.minimize函数是结合了两个函数:1. compute_gradients 2. apply_gradients

compute_gradients主要传入 loss和trainable_variables(这里就可以把freeze的参数过滤掉),返回 (gradient, variable) 样式成对的 list。

apply_gradients 传入 (grads_and_vars)的pair list,返回一个执行梯度更新的ops。

一个opt只对部分参数优化

dnn_optimizer.minimize(
    loss,
    var_list=ops.get_collection(
    ops.GraphKeys.TRAINABLE_VARIABLES,
    scope=dnn_absolute_scope
    )
)

 

tf.losses.add_loss(l2_reg_emb * tf.nn.l2_loss(tf.expand_dims(flat_val, 1), "fm_l2loss"), tf.GraphKeys.REGULARIZATION_LOSSES)

 

tensorflow冻结变量方法(tensorflow freeze variable)

https://www.cnblogs.com/hrlnw/p/10400057.html

tf.stop_gradient
 # 只更新test_ids对应的embeddings
update_nodes = tf.nn.embedding_lookup(model.context_embeds, tf.squeeze(test_ids))
no_update_nodes = tf.nn.embedding_lookup(model.context_embeds,tf.squeeze(train_ids))
update_nodes = tf.scatter_nd(test_ids, update_nodes, tf.shape(model.context_embeds))
# stop train_ids对应的embeddings的更新
no_update_nodes = tf.stop_gradient(tf.scatter_nd(train_ids, no_update_nodes, tf.shape(model.context_embeds)))
model.context_embeds = update_nodes + no_update_nodes
sess.run(model.context_embeds)

tensorflow中的batch_norm以及tf.control_dependencies和tf.GraphKeys.UPDATE_OPS的探究

https://blog.youkuaiyun.com/huitailangyz/article/details/85015611

tensorflow API:梯度修剪apply_gradients和compute_gradients

https://blog.youkuaiyun.com/NockinOnHeavensDoor/article/details/80632677

graphsage中也有对应的代码

grads_and_vars = self.optimizer.compute_gradients(self.loss)
clipped_grads_and_vars = [(tf.clip_by_value(grad, -5.0, 5.0) if grad is not None else None, var) 
                for grad, var in grads_and_vars]
self.grad, _ = clipped_grads_and_vars[0]
self.opt_op = self.optimizer.apply_gradients(clipped_grads_and_vars)

 

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值