матричный определитель дифференцирования в тензорном потоке
Я заинтересован в вычислении производной определителя матрицы с использованием TensorFlow. Из экспериментов видно, что в TensorFlow не реализован метод дифференцирования по определителю:
LookupError: No gradient defined for operation 'MatrixDeterminant'
(op type: MatrixDeterminant)
Небольшое дальнейшее исследование показало, что на самом деле можно вычислить производную; смотри напримерФормула Якоби, Я решил, что для реализации этого средства дифференциации через определитель мне нужно использовать функцию декоратор,
@tf.RegisterGradient("MatrixDeterminant")
def _sub_grad(op, grad):
...
Однако я недостаточно знаком с тензорным потоком, чтобы понять, как это можно сделать. У кого-нибудь есть понимание по этому вопросу?
Вот пример, где я сталкиваюсь с этой проблемой:
x = tf.Variable(tf.ones(shape=[1]))
y = tf.Variable(tf.ones(shape=[1]))
A = tf.reshape(
tf.pack([tf.sin(x), tf.zeros([1, ]), tf.zeros([1, ]), tf.cos(y)]), (2,2)
)
loss = tf.square(tf.matrix_determinant(A))
optimizer = tf.train.GradientDescentOptimizer(0.001)
train = optimizer.minimize(loss)
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)
for step in xrange(100):
sess.run(train)
print sess.run(x)