TensorFlow中的引导反向传播

Question

我想在TensorFlow中实现在这个 Paper 中引入的“引导反向传播”技术，并在此 recipe 中进行了描述。

计算上意味着当我计算例如输入wrt的梯度时。 NN的输出，我将不得不修改每个RELU单元计算的梯度。具体地说，这些单元上的反向传播信号必须在零上设置阈值，以使该技术起作用。换句话说，必须忽略RELU的负面偏导数。

鉴于我有兴趣仅在测试示例中应用这些梯度计算，即我不想更新模型的参数 - 我该怎么做？

到目前为止，我尝试过两件事（不成功）：

1. 使用tf.py_func包装我的简单numpy版本的RELU，然后有资格通过g.gradient_override_map上下文管理器重新定义它的渐变操作。
2. 收集BackProp的前向/后向值并对源自Relus的那些值应用阈值。

我用两种方法都失败了，因为他们需要一些目前我没有的TF内部知识。

任何人都可以建议任何其他路线，或草拟代码？

非常感谢。

Answer 1

使用ops.RegisterGradient和tf.Graph.gradient_override_map的更好的解决方案（您的方法1）。它们一起覆盖预定义Op的梯度计算，例如，仅使用python代码在gradient_override_map上下文中重新调用。

@ops.RegisterGradient("GuidedRelu")
def _GuidedReluGrad(op, grad):
    return tf.where(0. < grad, gen_nn_ops._relu_grad(grad, op.outputs[0]), tf.zeros(grad.get_shape()))

...
with g.gradient_override_map({'Relu': 'GuidedRelu'}):
    y = tf.nn.relu(x)

这是引导relu的完整示例实现：https://gist.github.com/falcondai/561d5eec7fed9ebf48751d124a77b087

更新：在Tensorflow> = 1.0中，tf.select重命名为tf.where。我相应地更新了片段。 （感谢@sbond将此引起我的注意:)

Answer 2

tf.gradients具有可用于此目的的grad_ys参数。假设您的网络只有一个relu层，如下所示：

before_relu = f1(inputs, params)
after_relu = tf.nn.relu(before_relu)
loss = f2(after_relu, params, targets)

首先，计算导数到after_relu。

Dafter_relu = tf.gradients(loss, after_relu)[0]

然后对您发送的渐变进行阈值处理。

Dafter_relu_thresholded = tf.select(Dafter_relu < 0.0, 0.0, Dafter_relu)

计算w.r.t到params的实际梯度。

Dparams = tf.gradients(after_relu, params, grad_ys=Dafter_relu_thresholded)

对于具有许多relu图层的网络，您可以轻松扩展此相同方法。