高度な自動微分

TensorFlow.orgで表示

Google Colabで実行

GitHubでソースを表示する

ノートブックをダウンロード

自動微分ガイドには、勾配の計算に必要なものがすべて含まれています。このガイドは、 tf.GradientTape APIのより深く、あまり一般的でない機能に焦点を当てています。

セットアップ

import tensorflow as tf

import matplotlib as mpl
import matplotlib.pyplot as plt

mpl.rcParams['figure.figsize'] = (8, 6)

勾配記録の制御

自動微分ガイドでは、勾配計算の作成中にテープで監視される変数とテンソルを制御する方法を説明しました。

テープには、録音を操作する方法もあります。

GradientTape.stop_recording()記録を停止したい場合は、 GradientTape.stop_recording()を使用して記録を一時的に中断できます。

これは、モデルの途中で複雑な操作を区別したくない場合に、オーバーヘッドを削減するのに役立つ場合があります。これには、指標または中間結果の計算が含まれます。

x = tf.Variable(2.0)
y = tf.Variable(3.0)

with tf.GradientTape() as t:
  x_sq = x * x
  with t.stop_recording():
    y_sq = y * y
  z = x_sq + y_sq

grad = t.gradient(z, {'x': x, 'y': y})

print('dz/dx:', grad['x'])  # 2*x => 4
print('dz/dy:', grad['y'])

dz/dx: tf.Tensor(4.0, shape=(), dtype=float32)
dz/dy: None

最初からやり直したい場合は、 reset()使用してください。通常、グラデーションテープブロックを終了して再起動する方が読みやすくなりますが、テープブロックを終了することが困難または不可能な場合は、 resetを使用できます。

x = tf.Variable(2.0)
y = tf.Variable(3.0)
reset = True

with tf.GradientTape() as t:
  y_sq = y * y
  if reset:
    # Throw out all the tape recorded so far
    t.reset()
  z = x * x + y_sq

grad = t.gradient(z, {'x': x, 'y': y})

print('dz/dx:', grad['x'])  # 2*x => 4
print('dz/dy:', grad['y'])

dz/dx: tf.Tensor(4.0, shape=(), dtype=float32)
dz/dy: None

グラデーションを停止します

上記のグローバルテープコントロールとは対照的に、 tf.stop_gradient関数ははるかに正確です。テープ自体にアクセスする必要なく、グラデーションが特定のパスに沿って流れるのを防ぐために使用できます。

x = tf.Variable(2.0)
y = tf.Variable(3.0)

with tf.GradientTape() as t:
  y_sq = y**2
  z = x**2 + tf.stop_gradient(y_sq)

grad = t.gradient(z, {'x': x, 'y': y})

print('dz/dx:', grad['x'])  # 2*x => 4
print('dz/dy:', grad['y'])

dz/dx: tf.Tensor(4.0, shape=(), dtype=float32)
dz/dy: None

カスタムグラデーション

場合によっては、デフォルトを使用するのではなく、勾配の計算方法を正確に制御したい場合があります。これらの状況は次のとおりです。

• あなたが書いている新しい操作のために定義された勾配はありません。
• デフォルトの計算は数値的に不安定です。
• フォワードパスから高価な計算をキャッシュしたいとします。
• ：あなたは（使用例の値を変更したいtf.clip_by_value 、 tf.math.round勾配を変更せずに）。

新しい操作を作成するには、 tf.RegisterGradientを使用して独自のtf.RegisterGradientを設定できます。詳細については、そのページを参照してください。 （グラデーションレジストリはグローバルであるため、注意して変更してください。）

後者の3つのケースでは、 tf.custom_gradientを使用できます。

以下は、中間勾配にtf.clip_by_normを適用する例です。

# Establish an identity operation, but clip during the gradient pass
@tf.custom_gradient
def clip_gradients(y):
  def backward(dy):
    return tf.clip_by_norm(dy, 0.5)
  return y, backward

v = tf.Variable(2.0)
with tf.GradientTape() as t:
  output = clip_gradients(v * v)
print(t.gradient(output, v))  # calls "backward", which clips 4 to 2

tf.Tensor(2.0, shape=(), dtype=float32)

詳細については、 tf.custom_gradientデコレータを参照してください。

複数のテープ

複数のテープがシームレスに相互作用します。たとえば、ここでは各テープが異なるテンソルのセットを監視しています。

x0 = tf.constant(0.0)
x1 = tf.constant(0.0)

with tf.GradientTape() as tape0, tf.GradientTape() as tape1:
  tape0.watch(x0)
  tape1.watch(x1)

  y0 = tf.math.sin(x0)
  y1 = tf.nn.sigmoid(x1)

  y = y0 + y1

  ys = tf.reduce_sum(y)

tape0.gradient(ys, x0).numpy()   # cos(x) => 1.0

1.0

tape1.gradient(ys, x1).numpy()   # sigmoid(x1)*(1-sigmoid(x1)) => 0.25

0.25

高階勾配

GradientTapeコンテキストマネージャー内の操作は、自動区別のために記録されます。そのコンテキストで勾配が計算される場合、勾配計算も記録されます。その結果、まったく同じAPIが高次の勾配でも機能します。例えば：

x = tf.Variable(1.0)  # Create a Tensorflow variable initialized to 1.0

with tf.GradientTape() as t2:
  with tf.GradientTape() as t1:
    y = x * x * x

  # Compute the gradient inside the outer `t2` context manager
  # which means the gradient computation is differentiable as well.
  dy_dx = t1.gradient(y, x)
d2y_dx2 = t2.gradient(dy_dx, x)

print('dy_dx:', dy_dx.numpy())  # 3 * x**2 => 3.0
print('d2y_dx2:', d2y_dx2.numpy())  # 6 * x => 6.0

dy_dx: 3.0
d2y_dx2: 6.0

これによりスカラー関数の2次導関数が得られますが、 GradientTape.gradientはスカラーの勾配のみを計算するため、このパターンは一般化されてヘッセ行列を生成しません。ヘッセ行列を作成するには、ヤコビアンセクションのヘッセ行列の例を参照してください。

次の例のように、「 GradientTape.gradientへのネストされた呼び出し」は、 GradientTape.gradientからスカラーを計算する場合に適したパターンであり、結果のスカラーは2番目のグラデーション計算のソースとして機能します。

例：入力勾配の正則化

多くのモデルは「敵対的な例」の影響を受けやすくなっています。このテクニックのコレクションは、モデルの入力を変更して、モデルの出力を混乱させます。最も単純な実装は、入力に対する出力の勾配に沿って1つのステップを実行します。 「入力勾配」。

敵対的な例へのロバスト性を高める1つの手法は、入力勾配の正則化です。これは、入力勾配の大きさを最小化しようとします。入力勾配が小さい場合、出力の変化も小さいはずです。

以下は、入力勾配正則化の単純な実装です。実装は次のとおりです。

1. 内側のテープを使用して、入力に対する出力の勾配を計算します。
2. その入力勾配の大きさを計算します。
3. モデルに対するその大きさの勾配を計算します。

x = tf.random.normal([7, 5])

layer = tf.keras.layers.Dense(10, activation=tf.nn.relu)

with tf.GradientTape() as t2:
  # The inner tape only takes the gradient with respect to the input,
  # not the variables.
  with tf.GradientTape(watch_accessed_variables=False) as t1:
    t1.watch(x)
    y = layer(x)
    out = tf.reduce_sum(layer(x)**2)
  # 1. Calculate the input gradient.
  g1 = t1.gradient(out, x)
  # 2. Calculate the magnitude of the input gradient.
  g1_mag = tf.norm(g1)

# 3. Calculate the gradient of the magnitude with respect to the model.
dg1_mag = t2.gradient(g1_mag, layer.trainable_variables)

[var.shape for var in dg1_mag]

[TensorShape([5, 10]), TensorShape([10])]

ヤコビアン

これまでのすべての例では、いくつかのソーステンソルに関するスカラーターゲットの勾配を使用していました。

ヤコビ行列は、ベクトル値関数の勾配を表します。各行には、ベクターの要素の1つのグラデーションが含まれています。

GradientTape.jacobianメソッドを使用すると、ヤコビ行列を効率的に計算できます。

ご了承ください：

• gradient ： sources引数は、テンソルまたはテンソルのコンテナーにすることができます。
• gradientとは異なり： targetテンソルは単一のテンソルでなければなりません。

スカラーソース

最初の例として、これはスカラーソースに関するベクトルターゲットのヤコビアンです。

x = tf.linspace(-10.0, 10.0, 200+1)
delta = tf.Variable(0.0)

with tf.GradientTape() as tape:
  y = tf.nn.sigmoid(x+delta)

dy_dx = tape.jacobian(y, delta)

スカラーに関してヤコビアンを取ると、結果はターゲットの形状を持ち、ソースに対する各要素の勾配を示します。

print(y.shape)
print(dy_dx.shape)

(201,)
(201,)

plt.plot(x.numpy(), y, label='y')
plt.plot(x.numpy(), dy_dx, label='dy/dx')
plt.legend()
_ = plt.xlabel('x')

テンソルソース

入力がスカラーかテンソルかにかかわらず、 GradientTape.jacobianは、ターゲットの各要素に対するソースの各要素の勾配を効率的に計算します。

たとえば、このレイヤーの出力は(10, 7)形状になります。

x = tf.random.normal([7, 5])
layer = tf.keras.layers.Dense(10, activation=tf.nn.relu)

with tf.GradientTape(persistent=True) as tape:
  y = layer(x)

y.shape

TensorShape([7, 10])

そして、レイヤーのカーネルの形状は(5, 10) 5、10 (5, 10)です：

layer.kernel.shape

TensorShape([5, 10])

カーネルに関する出力のヤコビアンの形状は、次の2つの形状を連結したものです。

j = tape.jacobian(y, layer.kernel)
j.shape

TensorShape([7, 10, 5, 10])

ターゲットのディメンションを合計すると、 GradientTape.gradientによって計算された合計の勾配が残ります。

g = tape.gradient(y, layer.kernel)
print('g.shape:', g.shape)

j_sum = tf.reduce_sum(j, axis=[0, 1])
delta = tf.reduce_max(abs(g - j_sum)).numpy()
assert delta < 1e-3
print('delta:', delta)

g.shape: (5, 10)
delta: 4.7683716e-07

例：ヘシアン

tf.GradientTapeはヘッセ行列を構築するための明示的な方法を提供していませんが、 GradientTape.jacobianメソッドを使用してそれを構築することは可能です。

x = tf.random.normal([7, 5])
layer1 = tf.keras.layers.Dense(8, activation=tf.nn.relu)
layer2 = tf.keras.layers.Dense(6, activation=tf.nn.relu)

with tf.GradientTape() as t2:
  with tf.GradientTape() as t1:
    x = layer1(x)
    x = layer2(x)
    loss = tf.reduce_mean(x**2)

  g = t1.gradient(loss, layer1.kernel)

h = t2.jacobian(g, layer1.kernel)

print(f'layer.kernel.shape: {layer1.kernel.shape}')
print(f'h.shape: {h.shape}')

layer.kernel.shape: (5, 8)
h.shape: (5, 8, 5, 8)

このヘッセ行列をニュートン法のステップに使用するには、最初にその軸を行列に平坦化し、勾配をベクトルに平坦化します。

n_params = tf.reduce_prod(layer1.kernel.shape)

g_vec = tf.reshape(g, [n_params, 1])
h_mat = tf.reshape(h, [n_params, n_params])

ヘッセ行列は対称である必要があります。

def imshow_zero_center(image, **kwargs):
  lim = tf.reduce_max(abs(image))
  plt.imshow(image, vmin=-lim, vmax=lim, cmap='seismic', **kwargs)
  plt.colorbar()

imshow_zero_center(h_mat)

ニュートンのメソッド更新手順を以下に示します。

eps = 1e-3
eye_eps = tf.eye(h_mat.shape[0])*eps

# X(k+1) = X(k) - (∇²f(X(k)))^-1 @ ∇f(X(k))
# h_mat = ∇²f(X(k))
# g_vec = ∇f(X(k))
update = tf.linalg.solve(h_mat + eye_eps, g_vec)

# Reshape the update and apply it to the variable.
_ = layer1.kernel.assign_sub(tf.reshape(update, layer1.kernel.shape))

これは単一のtf.Variableでは比較的単純ですが、これを重要なモデルに適用するには、複数の変数にわたって完全なヘッセ行列を生成するために、慎重な連結とスライスが必要になります。

バッチヤコビアン

場合によっては、ソースのスタックに関して、ターゲットのスタックのそれぞれのヤコビアンを取得する必要があります。ここで、各ターゲットとソースのペアのヤコビアンは独立しています。

たとえば、ここでは、入力x形状(batch, ins)と出力y形状(batch, outs)です。

x = tf.random.normal([7, 5])

layer1 = tf.keras.layers.Dense(8, activation=tf.nn.elu)
layer2 = tf.keras.layers.Dense(6, activation=tf.nn.elu)

with tf.GradientTape(persistent=True, watch_accessed_variables=False) as tape:
  tape.watch(x)
  y = layer1(x)
  y = layer2(y)

y.shape

TensorShape([7, 6])

xに関するyの完全なヤコビアンは、 (batch, ins, batch, outs)のみが必要な場合でも(batch, ins, batch, outs)形状を持ち(batch, ins, outs) 。

j = tape.jacobian(y, x)
j.shape

TensorShape([7, 6, 7, 5])

スタック内の各アイテムの勾配が独立している場合、このテンソルのすべての(batch, batch)スライスは対角行列になります。

imshow_zero_center(j[:, 0, :, 0])
_ = plt.title('A (batch, batch) slice')

def plot_as_patches(j):
  # Reorder axes so the diagonals will each form a contiguous patch.
  j = tf.transpose(j, [1, 0, 3, 2])
  # Pad in between each patch.
  lim = tf.reduce_max(abs(j))
  j = tf.pad(j, [[0, 0], [1, 1], [0, 0], [1, 1]],
             constant_values=-lim)
  # Reshape to form a single image.
  s = j.shape
  j = tf.reshape(j, [s[0]*s[1], s[2]*s[3]])
  imshow_zero_center(j, extent=[-0.5, s[2]-0.5, s[0]-0.5, -0.5])

plot_as_patches(j)
_ = plt.title('All (batch, batch) slices are diagonal')

望ましい結果を得るには、重複するbatchディメンションを合計するか、またはtf.einsumを使用して対角線を選択します。

j_sum = tf.reduce_sum(j, axis=2)
print(j_sum.shape)
j_select = tf.einsum('bxby->bxy', j)
print(j_select.shape)

(7, 6, 5)
(7, 6, 5)

そもそも余分な次元なしで計算を行う方がはるかに効率的です。 GradientTape.batch_jacobianメソッドはまさにそれを行います。

jb = tape.batch_jacobian(y, x)
jb.shape

WARNING:tensorflow:5 out of the last 5 calls to <function pfor.<locals>.f at 0x7f9a400e8620> triggered tf.function retracing. Tracing is expensive and the excessive number of tracings could be due to (1) creating @tf.function repeatedly in a loop, (2) passing tensors with different shapes, (3) passing Python objects instead of tensors. For (1), please define your @tf.function outside of the loop. For (2), @tf.function has experimental_relax_shapes=True option that relaxes argument shapes that can avoid unnecessary retracing. For (3), please refer to https://www.tensorflow.org/tutorials/customization/performance#python_or_tensor_args and https://www.tensorflow.org/api_docs/python/tf/function for  more details.

TensorShape([7, 6, 5])

error = tf.reduce_max(abs(jb - j_sum))
assert error < 1e-3
print(error.numpy())

0.0

x = tf.random.normal([7, 5])

layer1 = tf.keras.layers.Dense(8, activation=tf.nn.elu)
bn = tf.keras.layers.BatchNormalization()
layer2 = tf.keras.layers.Dense(6, activation=tf.nn.elu)

with tf.GradientTape(persistent=True, watch_accessed_variables=False) as tape:
  tape.watch(x)
  y = layer1(x)
  y = bn(y, training=True)
  y = layer2(y)

j = tape.jacobian(y, x)
print(f'j.shape: {j.shape}')

WARNING:tensorflow:6 out of the last 6 calls to <function pfor.<locals>.f at 0x7f9a401090d0> triggered tf.function retracing. Tracing is expensive and the excessive number of tracings could be due to (1) creating @tf.function repeatedly in a loop, (2) passing tensors with different shapes, (3) passing Python objects instead of tensors. For (1), please define your @tf.function outside of the loop. For (2), @tf.function has experimental_relax_shapes=True option that relaxes argument shapes that can avoid unnecessary retracing. For (3), please refer to https://www.tensorflow.org/tutorials/customization/performance#python_or_tensor_args and https://www.tensorflow.org/api_docs/python/tf/function for  more details.
j.shape: (7, 6, 7, 5)

plot_as_patches(j)

_ = plt.title('These slices are not diagonal')
_ = plt.xlabel("Don't use `batch_jacobian`")

この場合、 batch_jacobian引き続き実行され、期待される形状の何かを返しますが、その内容の意味は不明です。

jb = tape.batch_jacobian(y, x)
print(f'jb.shape: {jb.shape}')

WARNING:tensorflow:7 out of the last 7 calls to <function pfor.<locals>.f at 0x7f9a4c0637b8> triggered tf.function retracing. Tracing is expensive and the excessive number of tracings could be due to (1) creating @tf.function repeatedly in a loop, (2) passing tensors with different shapes, (3) passing Python objects instead of tensors. For (1), please define your @tf.function outside of the loop. For (2), @tf.function has experimental_relax_shapes=True option that relaxes argument shapes that can avoid unnecessary retracing. For (3), please refer to https://www.tensorflow.org/tutorials/customization/performance#python_or_tensor_args and https://www.tensorflow.org/api_docs/python/tf/function for  more details.
jb.shape: (7, 6, 5)