在实际应用中，我们有时候会遇到“TensorFlow进行反向传播求导的具体过程操作是什么”这样的问题，我们该怎样来处理呢？下文给大家介绍了解决方法，希望这篇“TensorFlow进行反向传播求导的具体过程操作是什么”文章能帮助大家解决问题。

看代码吧~

X=tf.constant([-1,-2],dtype=tf.float32)
w=tf.Variable([2.,3.])
truth=[3.,3.]
Y=w*X
# cost=tf.reduce_sum(tf.reduce_sum(Y*truth)/(tf.sqrt(tf.reduce_sum(tf.square(Y)))*tf.sqrt(tf.reduce_sum(tf.square(truth)))))
cost=Y[1]*Y
optimizer = tf.train.GradientDescentOptimizer(1).minimize(cost)
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run(Y))
    print(sess.run(w))
    print(sess.run(cost))
 
    print(sess.run(Y))
    sess.run(optimizer)
 
    print(sess.run(w))

结果如下

W由[2,3]变成[-4，-25]

过程：

f=y0*y=w0*x0*w*x=[w1*x1*w0*x0,w1*x1*w1*x1,]

f对w0求导，得w1*x0*x1+0=6 ,所以新的w0=w0-6=-4

f对w1求导，得 w0*x0*x1+2*w1*x1*x1=28,所以新的w1=w1-28=-25

补充：【TensorFlow篇】--反向传播

一、前述

反向自动求导是 TensorFlow 实现的方案，首先，它执行图的前向阶段，从输入到输出，去计算节点
值，然后是反向阶段，从输出到输入去计算所有的偏导。

二、具体

1、举例

图是第二个阶段，在第一个阶段中，从 x =3和 y =4开始去计算所有的节点值

f ( x / y )=x 2 * y + y + 2

求解的想法是逐渐的从图上往下，计算 f ( x , y )的偏导，使用每一个连续的节点，直到我们到达变量节
点，严重依赖链式求导法则！

2.具体过程：

因为n7是输出节点，所以f=n7，所以????f/????????7= 1

让我们继续往下走到n5节点，????f/????????5=????f/????????7∗????????7/????????5 . 我们已知????f/????????7=1，所以我们需要知道????????7/????????5 ，因为n7=n5+n6，所以我们求得????????7/????????5=1，所以????f/????????5=1*1=1

现在我们继续走到节点n4，????f/????????4=????f/????????5∗????????5/????????4,因为n5=n4*n2，我们求得�????5/????????4=n2，????f/????????4=1*4

沿着图一路向下，我们可以计算出所有节点，就能计算出 ????????/????x= 24，????????/????y= 10

那我们就可以利用和上面类似的方式方法去计算????????/????????

到此这篇关于“TensorFlow进行反向传播求导的具体过程操作是什么”的文章就介绍到这了,更多相关内容请搜索群英网络以前的文章或继续浏览下面的相关文章，希望大家以后多多支持群英网络！