看代碼吧~

X=tf.constant([-1,-2],dtype=tf.float32)
w=tf.Variable([2.,3.])
truth=[3.,3.]
Y=w*X
# cost=tf.reduce_sum(tf.reduce_sum(Y*truth)/(tf.sqrt(tf.reduce_sum(tf.square(Y)))*tf.sqrt(tf.reduce_sum(tf.square(truth)))))
cost=Y[1]*Y
optimizer = tf.train.GradientDescentOptimizer(1).minimize(cost)
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run(Y))
    print(sess.run(w))
    print(sess.run(cost))
 
    print(sess.run(Y))
    sess.run(optimizer)
 
    print(sess.run(w))

結(jié)果如下

W由[2,3]變成[-4，-25]

過程：

f=y0*y=w0*x0*w*x=[w1*x1*w0*x0,w1*x1*w1*x1,]

f對w0求導(dǎo)，得w1*x0*x1+0=6 ,所以新的w0=w0-6=-4

f對w1求導(dǎo)，得 w0*x0*x1+2*w1*x1*x1=28,所以新的w1=w1-28=-25

補(bǔ)充：【TensorFlow篇】--反向傳播

一、前述

反向自動求導(dǎo)是 TensorFlow 實(shí)現(xiàn)的方案，首先，它執(zhí)行圖的前向階段，從輸入到輸出，去計算節(jié)點(diǎn)
值，然后是反向階段，從輸出到輸入去計算所有的偏導(dǎo)。

二、具體

1、舉例

圖是第二個階段，在第一個階段中，從 x =3和 y =4開始去計算所有的節(jié)點(diǎn)值

f ( x / y )=x 2 * y + y + 2

求解的想法是逐漸的從圖上往下，計算 f ( x , y )的偏導(dǎo)，使用每一個連續(xù)的節(jié)點(diǎn)，直到我們到達(dá)變量節(jié)
點(diǎn)，嚴(yán)重依賴鏈?zhǔn)角髮?dǎo)法則！

2.具體過程：

因?yàn)閚7是輸出節(jié)點(diǎn)，所以f=n7，所以𝜕f/𝜕𝑛7= 1

讓我們繼續(xù)往下走到n5節(jié)點(diǎn)，𝜕f/𝜕𝑛5=𝜕f/𝜕𝑛7∗𝜕𝑛7/𝜕𝑛5 . 我們已知𝜕f/𝜕𝑛7=1，所以我們需要知道𝜕𝑛7/𝜕𝑛5 ，因?yàn)閚7=n5+n6，所以我們求得𝜕𝑛7/𝜕𝑛5=1，所以𝜕f/𝜕𝑛5=1*1=1

現(xiàn)在我們繼續(xù)走到節(jié)點(diǎn)n4，𝜕f/𝜕𝑛4=𝜕f/𝜕𝑛5∗𝜕𝑛5/𝜕𝑛4,因?yàn)閚5=n4*n2，我們求得�𝑛5/𝜕𝑛4=n2，𝜕f/𝜕𝑛4=1*4

沿著圖一路向下，我們可以計算出所有節(jié)點(diǎn)，就能計算出 𝜕𝑓/𝜕x= 24，𝜕𝑓/𝜕y= 10

那我們就可以利用和上面類似的方式方法去計算𝜕𝑓/𝜕𝑤

以上為個人經(jīng)驗(yàn)，希望能給大家一個參考，也希望大家多多支持腳本之家。