理工酷

对于TensorFlow1.7和TensorFlow2.0，请看下面的编辑。 首先定义自定义梯度：

@tf.RegisterGradient("CustomGrad")def _const_mul_grad(unused_op, grad):
  return 5.0 * grad

由于你不希望在前向传递中发生任何事情，所以用新的梯度覆盖标识操作的梯度：

g = tf.get_default_graph()with g.gradient_override_map({"Identity": "CustomGrad"}):
  output = tf.identity(input, name="Identity")

这里有一个示例，该层使用相同的方法，在向后传递中剪辑梯度，在向前传递中不做任何事情：

import tensorflow as tf@tf.RegisterGradient("CustomClipGrad")def _clip_grad(unused_op, grad):
  return tf.clip_by_value(grad, -0.1, 0.1)input = tf.Variable([3.0], dtype=tf.float32)
g = tf.get_default_graph()with g.gradient_override_map({"Identity": "CustomClipGrad"}):
  output_clip = tf.identity(input, name="Identity")
grad_clip = tf.gradients(output_clip, input)# output without gradient clipping in the backwards pass for comparison:
output = tf.identity(input)
grad = tf.gradients(output, input)with tf.Session() as sess:
  sess.run(tf.global_variables_initializer())
  print("with clipping:", sess.run(grad_clip)[0])
  print("without clipping:", sess.run(grad)[0])

编辑TensorFlow 1.7和TensorFlow 2.0 从1.7开始，有一种新的方法可以使用较短的语法重新定义梯度，这也适用于Tensorflow 2.0。它还允许同时重新定义多个操作的梯度。以下是上面为TensorFlow 1.7和TensorFlow 2.0重写的示例： 后向通道中缩放梯度的层：

@tf.custom_gradientdef scale_grad_layer(x):
  def grad(dy):
    return 5.0 * dy
  return tf.identity(x), grad

后向通道中剪切梯度的层：

@tf.custom_gradientdef clip_grad_layer(x):
  def grad(dy):
    return tf.clip_by_value(dy, -0.1, 0.1)
  return tf.identity(x), grad

via:https://stackoverflow.com/a/43948872/14964791