神经网络基础-神经网络补充概念-07-使用计算图求导

步骤

定义计算节点和操作：

"x" 是输入变量。

"Add" 表示加法操作。

"Sub" 表示减法操作。

"Multiply" 表示乘法操作。

计算函数值：

首先，我们将 x0 的值代入计算图中，计算出函数的值。

反向传播计算导数：

我们从输出节点开始，通过计算图的反向传播（Backpropagation）计算导数。

代码实现

import tensorflow as tf

# 定义计算图
x = tf.Variable(0.0, name='x')
add_node = x + 2
sub_node = x - 3
multiply_node = add_node * sub_node

# 计算函数值
x_val = 1.0
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    result = sess.run(multiply_node, feed_dict={x: x_val})
    print("f(x) =", result)

# 反向传播计算导数
gradient = tf.gradients(multiply_node, x)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    gradient_value = sess.run(gradient, feed_dict={x: x_val})
    print("导数 =", gradient_value[0])