如何在 Tensorflow 中创建优化器

Question

我想在 Tensorflow 上为我的网络编写一个新的优化算法。我希望实现Levenberg Marquardt optimization algorithm，它现在已从 TF API 中排除。我发现关于如何编写自定义优化器的文档很差，所以我问是否有人可以给我任何建议。谢谢。

Answer 1

最简单的优化器示例可能是gradient descent optimizer。它显示了如何创建基本optimizer class 的实例。优化器基类文档解释了这些方法的作用。

优化器的 python 端向图中添加了新节点，用于计算和应用反向传播的梯度。它提供传递给操作的参数并执行优化器的一些高级管理。然后，您需要实际的“应用”操作。

Ops 有一个 python 和一个 C++ 组件。编写训练操作与general process of adding an Op to TensorFlow 相同（但专业化）。

有关计算和应用梯度的一组训练操作示例，请参阅 python/training/training_ops.py - 这是实际训练操作的 Python 粘合剂。请注意，这里的代码主要是关于形状推断的——计算将在 C++ 中进行。

应用渐变的实际数学由 Op 处理（回想一下，通常，op 是用 C++ 编写的）。在这种情况下，应用渐变操作在core/kernels/training_ops.cc 中定义。例如，您可以在其中看到 ApplyGradientDescentOp 的实现，它引用了一个函子 ApplyGradientDescent：

var.device(d) -= grad * lr();

操作本身的实现遵循添加操作文档中描述的任何其他操作的实现。

Answer 2

在运行 Tensorflow 会话之前，应该启动一个 Optimizer，如下所示：

# Gradient Descent
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)

tf.train.GradientDescentOptimizer 是 GradientDescentOptimizer 类的对象，顾名思义，它实现了梯度下降算法。

方法 minimize() 以“成本”作为参数被调用，由 compute_gradients() 和 apply_gradients()apply_gradients() 两个方法组成/strong>。

对于大多数（自定义）优化器实现，apply_gradients() 方法需要进行调整。

此方法依赖于我们将创建的（新）优化器（类）来实现以下方法：_create_slots()、_prepare()、_apply_dense() 和 _apply_sparse() .

• _create_slots() 和 _prepare() 创建和初始化额外的 变量，例如动量。

• _apply_dense() 和 _apply_sparse() 实现了更新变量的实际操作。

Ops 通常是用 C++ 编写的。无需自己更改 C++ 标头，您仍然可以通过这些方法返回一些 Ops 的 python 包装器。 这样做如下：

def _create_slots(self, var_list):
   # Create slots for allocation and later management of additional 
   # variables associated with the variables to train.
   # for example: the first and second moments.
   '''
   for v in var_list:
      self._zeros_slot(v, "m", self._name)
      self._zeros_slot(v, "v", self._name)
   '''
def _apply_dense(self, grad, var):
   #define your favourite variable update
    # for example:
   '''
   # Here we apply gradient descents by substracting the variables 
   # with the gradient times the learning_rate (defined in __init__)
   var_update = state_ops.assign_sub(var, self.learning_rate * grad) 
   '''
   #The trick is now to pass the Ops in the control_flow_ops and 
   # eventually groups any particular computation of the slots your 
   # wish to keep track of:
   # for example:    
   '''
    m_t = ...m... #do something with m and grad
    v_t = ...v... # do something with v and grad
    '''
  return control_flow_ops.group(*[var_update, m_t, v_t])

有关示例的更详细说明，请参阅此博客文章 https://www.bigdatarepublic.nl/custom-optimizer-in-tensorflow/