使用Tensorflow怎么實現(xiàn)梯度異步更新？相信很多沒有經(jīng)驗的人對此束手無策，為此本文總結(jié)了問題出現(xiàn)的原因和解決方法，通過這篇文章希望你能解決這個問題。

創(chuàng)新互聯(lián)長期為1000多家客戶提供的網(wǎng)站建設(shè)服務(wù)，團隊從業(yè)經(jīng)驗10年，關(guān)注不同地域、不同群體，并針對不同對象提供差異化的產(chǎn)品和服務(wù)；打造開放共贏平臺，與合作伙伴共同營造健康的互聯(lián)網(wǎng)生態(tài)環(huán)境。為成縣企業(yè)提供專業(yè)的網(wǎng)站制作、成都網(wǎng)站制作，成縣網(wǎng)站改版等技術(shù)服務(wù)。擁有10多年豐富建站經(jīng)驗和眾多成功案例,為您定制開發(fā)。

先計算梯度：

# 模型部分
Optimizer = tf.train.GradientDescentOptimizer(1)
gradient = Optimizer.compute_gradients(loss)  # 每次計算所有變量的梯度
grads_holder = [(tf.placeholder(tf.float32, shape=g.get_shape()), v) for (g, v) in gradient]# 將每次計算的梯度保存
optm = Optimizer.apply_gradients(grads_holder) # 進行梯度更新

# 初始化部分
sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init)

# 實際訓(xùn)練部分
grads = []         # 定義一個空的列表用于存儲每次計算的梯度
for i in range(batchsize): # batchsize設(shè)置在這里
  x_i = ...       # 輸入
  y_real = ...      # 標(biāo)簽
  grad_i = sess.run(gradient, feed_dict={inputs: x_i, outputs: y_real}) #梯度計算
  grads.append(grad_i)  # 梯度存儲
# 定義一個空的字典用于存儲，batchsize中所有梯度的和
grads_sum = {}     
# 將網(wǎng)絡(luò)中每個需要更新梯度的變量都遍歷一遍  
for i in range(len(grads_holder)): 
  k = grads_holder[i][0] # 得到該變量名
  # 將該變量名下的所有梯度求和，這里也可以求平均，求平均只需要除以batchsize
  grads_sum[k] = sum([g[i][0] for g in grads]) 
# 完成梯度更新
sess.run(optm,feed_dict=grads_sum)

看完上述內(nèi)容，你們掌握使用Tensorflow怎么實現(xiàn)梯度異步更新的方法了嗎？如果還想學(xué)到更多技能或想了解更多相關(guān)內(nèi)容，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道，感謝各位的閱讀！

名稱欄目：使用Tensorflow怎么實現(xiàn)梯度異步更新-創(chuàng)新互聯(lián)
URL標(biāo)題：http://jinyejixie.com/article0/ceodio.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供外貿(mào)網(wǎng)站建設(shè)、響應(yīng)式網(wǎng)站、網(wǎng)站設(shè)計、面包屑導(dǎo)航、網(wǎng)站營銷、微信小程序

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)