我就廢話不多說了，直接上程式碼吧！

import tensorflow as tf 

w1 = tf.Variable([[1,2]]) 
w2 = tf.Variable([[3,4]]) 

res = tf.matmul(w1,[[2],[1]]) 

grads = tf.gradients(res,[w1]) 

with tf.Session() as sess: 
 tf.global_variables_initializer().run()
 print sess.run(res)
 print sess.run(grads) 

輸出結果為：

[[4]]
[array([[2,1]],dtype=int32)]

可以這樣看res與w1有關，w1的引數設為[a1,a2],則：

2*a1 + a2 = res

所以res對a1,a2求導可得 [[2,1]]為w1對應的梯度資訊。

import tensorflow as tf 
def gradient_clip(gradients,max_gradient_norm):
 """Clipping gradients of a model."""
 clipped_gradients,gradient_norm = tf.clip_by_global_norm(
   gradients,max_gradient_norm)
 gradient_norm_summary = [tf.summary.scalar("grad_norm",gradient_norm)]
 gradient_norm_summary.append(
  tf.summary.scalar("clipped_gradient",tf.global_norm(clipped_gradients)))

 return clipped_gradients
w1 = tf.Variable([[3.0,2.0]]) 
# w2 = tf.Variable([[3,4]]) 
params = tf.trainable_variables()
res = tf.matmul(w1,[[3.0],[1.]]) 
opt = tf.train.GradientDescentOptimizer(1.0)
grads = tf.gradients(res,[w1]) 
clipped_gradients = gradient_clip(grads,2.0)
global_step = tf.Variable(0,name='global_step',trainable=False)
#update = opt.apply_gradients(zip(clipped_gradients,params),global_step=global_step)
with tf.Session() as sess: 
 tf.global_variables_initializer().run()
 print sess.run(res)
 print sess.run(grads) 
 print sess.run(clipped_gradients)

以上這篇TensorFlow梯度求解tf.gradients例項就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。