理工酷
资源下载
要求：在我们开始之前，有两个要求才能成功。 首先，你需要能够将激活写入numpy数组上的函数。 其次，你必须能够将该函数的导数写成Tensorflow中的函数（更容易），或者在最坏情况下将其写成numpy数组上的函数。
编写激活功能： 以一个我们想使用激活函数的函数为例：
def spiky(x):
r = x % 1
if r <= 0.5:
return r
else:
return 0
第一步是使其成为numpy函数，这很容易：
import numpy as np
np_spiky = np.vectorize(spiky)
现在我们要写它的导数。 激活梯度： 这也很容易，如果x mod 1 <0.5则为1，否则为0。
def d_spiky(x):
r = x % 1
if r <= 0.5:
return 1
else:
return 0
np_d_spiky = np.vectorize(d_spiky)
现在的困难部分是构成TensorFlow函数。 对tensorflow fct创建一个numpy fct： 我们首先将np_d_spiky变成一个tensorflow函数。在tensorflow tf.py_func(func, inp, Tout, stateful=stateful, name=name) [doc]中有一个函数可以将任何numpy函数转换为tensorflow函数，因此我们可以使用它：
import tensorflow as tffrom tensorflow.python.framework import ops
np_d_spiky_32 = lambda x: np_d_spiky(x).astype(np.float32)
def tf_d_spiky(x,name=None):
with tf.name_scope(name, "d_spiky", [x]) as name:
y = tf.py_func(np_d_spiky_32,
[x],
[tf.float32],
name=name,
stateful=False)
return y[0]
tf.py_func作用于张量列表（并返回张量列表），这就是我们拥有[x]（并返回y[0]）的原因。状态选项是告诉张量流函数是否总是给出相同的输出相同的输入(stateful = False)，在这种情况下张量流可以简化张量流图。
在这一点上需要注意的一点是，numpy使用float64，但是tensorflow使用float32，所以你需要将函数转换为使用float32，然后才能将其转换为tensorflow函数，否则tensorflow会报错。 这就是为什么先做np_d_spiky_32。
我们现在有了tf_d_spiky，这是np_d_spiky的TensorFlow版本，如果我们想要的话，我们也不能把它用作激活函数，因为TensorFlow不知道如何计算该函数的梯度。
有一种利用tf.RegisterGradient 和tf.Graph.gradient_override_map 定义函数梯度的技巧。从harpone复制代码，我们可以修改tf.py_func函数以使其同时定义梯度：
def py_func(func, inp, Tout, stateful=True, name=None, grad=None):
# Need to generate a unique name to avoid duplicates:
rnd_name = 'PyFuncGrad' + str(np.random.randint(0, 1E+8))
tf.RegisterGradient(rnd_name)(grad) # see _MySquareGrad for grad example
g = tf.get_default_graph()
with g.gradient_override_map({"PyFunc": rnd_name}):
return tf.py_func(func, inp, Tout, stateful=stateful, name=name)
现在我们差不多完成了，唯一需要传递给上述py_func函数的grad函数需要采取特殊形式。 它需要执行一个操作，以及操作之前的梯度，并在操作之后向后传播梯度。 因此，对于我们的激活函数，我们将采用以下方法：
def spikygrad(op, grad):
x = op.inputs[0]
n_gr = tf_d_spiky(x)
return grad * n_gr
激活函数只有一个输入，这就是为什么x=op.input[0]。 如果操作有许多输入，我们需要返回一个元组，每个输入一个梯度。
例如，如果操作是a-b，相对于a是1，相对于b是-1，那么我们将返回1grad，-1grad。 注意，我们需要返回输入的tensorflow函数，这就是为什么tf_d_spiky，np_d_spiky不会工作，因为它不能作用于tensorflow张量。
我们可以使用tensorflow函数编写导数：
def spikygrad2(op, grad):
x = op.inputs[0]
r = tf.mod(x,1)
n_gr = tf.to_float(tf.less_equal(r, 0.5))
return grad * n_gr
现在我们就可以把它所有片段结合在一起：
np_spiky_32 = lambda x: np_spiky(x).astype(np.float32)
def tf_spiky(x, name=None):
with tf.name_scope(name, "spiky", [x]) as name:
y = py_func(np_spiky_32,
[x],
[tf.float32],
name=name,
grad=spikygrad) # <-- here's the call to the gradient
return y[0]
现在我们可以进行测试 测试
with tf.Session() as sess:
x = tf.constant([0.2,0.7,1.2,1.7])
y = tf_spiky(x)
tf.initialize_all_variables().run()
print(x.eval(), y.eval(), tf.gradients(y, [x])[0].eval())
[ 0.2 0.69999999 1.20000005 1.70000005] [ 0.2 0. 0.20000005 0.] [ 1. 0. 1. 0.]
成功！
