tensorflow 梯度freeze整理

最新推荐文章于 2024-06-22 10:45:54 发布

Lord_sh

最新推荐文章于 2024-06-22 10:45:54 发布

阅读量572

点赞数

CC 4.0 BY-SA版权

分类专栏： tensorflow

本文链接：https://blog.youkuaiyun.com/Lord_sh/article/details/111867655

tensorflow 专栏收录该内容

9 篇文章

订阅专栏

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)