有没有一种简单的方法来扩展现有的激活功能？我的自定义 softmax 函数 returns：一个操作具有用于梯度的“None”

Question

我想通过仅使用向量中的前 k 个值来尝试使 softmax 更快。

为此，我尝试为 tensorflow 实现自定义函数以在模型中使用：

def softmax_top_k(logits, k=10):
    values, indices = tf.nn.top_k(logits, k, sorted=False)
    softmax = tf.nn.softmax(values)
    logits_shape = tf.shape(logits)
    return_value = tf.sparse_to_dense(indices, logits_shape, softmax)
    return_value = tf.convert_to_tensor(return_value, dtype=logits.dtype, name=logits.name)
    return return_value

我正在使用时尚 mnist 来测试该尝试是否有效：

fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()

# normalize the data
train_images = train_images / 255.0
test_images = test_images / 255.0

# split the training data into train and validate arrays (will be used later)
train_images, train_images_validate, train_labels, train_labels_validate = train_test_split(
    train_images, train_labels, test_size=0.2, random_state=133742,
)

model = keras.models.Sequential([
    keras.layers.Flatten(input_shape=(28, 28)),
    keras.layers.Dense(128, activation=tf.nn.relu),
    keras.layers.Dense(10, activation=softmax_top_k)
])


model.compile(
    loss='sparse_categorical_crossentropy',
    optimizer='adam',
    metrics=['accuracy']
)

model.fit(
    train_images, train_labels,
    epochs=10,
    validation_data=(train_images_validate, train_labels_validate),
)

model_without_cnn.compile(
    loss='sparse_categorical_crossentropy',
    optimizer='adam',
    metrics=['accuracy']
)

model_without_cnn.fit(
    train_images, train_labels,
    epochs=10,
    validation_data=(train_images_validate, train_labels_validate),
)

但是执行过程中出现错误：

ValueError: An operation hasNonefor gradient. Please make sure that all of your ops have a gradient defined (i.e. are differentiable).

我找到了，它解释了如何为 tensorflow 实现一个完全自定义的激活函数。但由于这使用并扩展了 softmax，我认为梯度应该仍然相同。

这是我使用 python 和 tensorflow 进行编码的第一周，因此我还没有对所有内部实现有一个很好的概述。

有没有更简单的方法将 softmax 扩展到一个新函数，而不是从头开始实现它？

提前致谢！

Answer 1

不使用稀疏张量来制作具有"all zeros except softmaxed top-K values"的张量，而是使用tf.scatter_nd:

import tensorflow as tf

def softmax_top_k(logits, k=10):
    values, indices = tf.nn.top_k(logits, k, sorted=False)
    softmax = tf.nn.softmax(values)
    logits_shape = tf.shape(logits)
    # Assuming that logits is 2D
    rows = tf.tile(tf.expand_dims(tf.range(logits_shape[0]), 1), [1, k])
    scatter_idx = tf.stack([rows, indices], axis=-1)
    return tf.scatter_nd(scatter_idx, softmax, logits_shape)

编辑：这是一个稍微复杂一点的版本，适用于具有任意维数的张量。不过，代码仍然要求在图形构造时已知维数。

import tensorflow as tf

def softmax_top_k(logits, k=10):
    values, indices = tf.nn.top_k(logits, k, sorted=False)
    softmax = tf.nn.softmax(values)
    # Make nd indices
    logits_shape = tf.shape(logits)
    dims = [tf.range(logits_shape[i]) for i in range(logits_shape.shape.num_elements() - 1)]
    grid = tf.meshgrid(*dims, tf.range(k), indexing='ij')
    scatter_idx = tf.stack(grid[:-1] + [indices], axis=-1)
    return tf.scatter_nd(scatter_idx, softmax, logits_shape)

有没有一种简单的方法来扩展现有的激活功能？我的自定义 softmax 函数 returns：一个操作具有用于梯度的“None”

Is there a simple way to extend an existing activation function? My custom softmax function returns: An operation has `None` for gradient

python

tensorflow

keras

softmax

activation-function