使用Tensorflow怎么實現(xiàn)梯度異步更新

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。

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設置在這里
  x_i = ...       # 輸入
  y_real = ...      # 標簽
  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？如果還想學到更多技能或想了解更多相關內(nèi)容，歡迎關注億速云行業(yè)資訊頻道，感謝各位的閱讀！