tensorflow中的stop_gradient

Question

我想知道tf.stop_gradient是只停止给定op的梯度计算，还是停止更新其输入tf.variable？我有以下问题-在MNIST的前向路径计算期间，我想对权重执行一组操作(比方说W到W*)，然后使用输入进行matmul。但是，我想从反向路径中排除这些操作。我只需要在反向传播的训练过程中计算dE/dW。我写的代码阻止了W的更新。你能告诉我为什么吗？如果这些是变量，我理解我应该将它们的trainable属性设置为false，但这些是对权重的操作。如果stop_gradient不能用于此目的，那么我如何构建两个图，一个用于前向路径，另一个用于反向传播？

def build_layer(inputs, fmap, nscope,layer_size1,layer_size2, faulty_training):  
  with tf.name_scope(nscope): 
    if (faulty_training):
      ## trainable weight
      weights_i = tf.Variable(tf.truncated_normal([layer_size1, layer_size2],stddev=1.0 / math.sqrt(float(layer_size1))),name='weights_i')
      ## Operations on weight whose gradient should not be computed during backpropagation
      weights_fx_t = tf.multiply(268435456.0,weights_i)
      weight_fx_t = tf.stop_gradient(weights_fx_t)
      weights_fx = tf.cast(weights_fx_t,tf.int32)
      weight_fx = tf.stop_gradient(weights_fx)
      weights_fx_fault = tf.bitwise.bitwise_xor(weights_fx,fmap)
      weight_fx_fault = tf.stop_gradient(weights_fx_fault)
      weights_fl = tf.cast(weights_fx_fault, tf.float32)
      weight_fl = tf.stop_gradient(weights_fl)
      weights = tf.stop_gradient(tf.multiply((1.0/268435456.0),weights_fl))
      ##### end transformation
    else:
      weights = tf.Variable(tf.truncated_normal([layer_size1, layer_size2],stddev=1.0 / math.sqrt(float(layer_size1))),name='weights')


    biases = tf.Variable(tf.zeros([layer_size2]), name='biases')
    hidden = tf.nn.relu(tf.matmul(inputs, weights) + biases)
    return weights,hidden

我正在使用tensorflow梯度下降优化器进行训练。

optimizer = tf.train.GradientDescentOptimizer(learning_rate) 
global_step = tf.Variable(0, name='global_step', trainable=False) 
train_op = optimizer.minimize(loss, global_step=global_step)

Answer 1

停止梯度将阻止反向传播继续通过图形中的该节点。你的代码没有任何从weights_i到损失的路径，除了通过weights_fx_t的路径，在那里梯度停止。这就是导致weights_i在训练期间不能更新的原因。你不需要在每一步之后都放上stop_gradient。只使用一次就会停止反向传播。

如果stop_gradient不能完成您想要的操作，那么您可以通过执行tf.gradients来获得渐变，并且可以使用tf.assign编写您自己的更新操作。这将允许您随心所欲地更改渐变。