tf.gradients 如何管理复杂的功能？
How does tf.gradients manages complex functions?
我正在使用复值神经网络。
对于复值神经网络，通常使用 Wirtinger 微积分。那么导数的定义是（考虑到由于刘维尔定理，函数是非全纯的）：
如果拿Akira Hirose的书"Complex-Valued Neural Networks: Advances and Applications"，第4章方程4.9定义：
其中偏导数当然也是用维廷格微积分计算的。
tensorflow也是这样吗？还是以其他方式定义？我找不到关于该主题的任何好的参考资料。
好的，所以我在 github/tensorflow 的现有线程中讨论了这个问题，@charmasaur 找到了响应，Tensorflow 用于梯度的方程是：
*%3D2%5Cfrac%7B%5Cpartial%20Real(f)%7D%7B%5Cpartial%20z*%7D)
当使用关于 z 和 z* 的偏导数的定义时，它使用 Wirtinger 微积分。
对于一个或多个复变量的实值标量函数的情况，此定义变为：
%20)
这确实是复值神经网络 (CVNN) 应用程序中使用的定义（在此应用程序中，函数是 loss/error 函数，它确实是真实的）。
我正在使用复值神经网络。
对于复值神经网络，通常使用 Wirtinger 微积分。那么导数的定义是（考虑到由于刘维尔定理，函数是非全纯的）：
如果拿Akira Hirose的书"Complex-Valued Neural Networks: Advances and Applications"，第4章方程4.9定义：
其中偏导数当然也是用维廷格微积分计算的。
tensorflow也是这样吗？还是以其他方式定义？我找不到关于该主题的任何好的参考资料。
好的，所以我在 github/tensorflow 的现有线程中讨论了这个问题，@charmasaur 找到了响应，Tensorflow 用于梯度的方程是：
当使用关于 z 和 z* 的偏导数的定义时，它使用 Wirtinger 微积分。
对于一个或多个复变量的实值标量函数的情况，此定义变为：
这确实是复值神经网络 (CVNN) 应用程序中使用的定义（在此应用程序中，函数是 loss/error 函数，它确实是真实的）。