Posso (selettivamente) invertire i gradienti di Theano durante il backpropagation?

Question

Mi piace utilizzare l'architettura proposta nel recente documento "Unsupervised Domain Adaptation by Backpropagation" nel framework Lasagne/Theano.

La cosa di questo documento che lo rende un po 'insolito è che incorpora un 'strato di inversione di gradiente', che inverte gradiente durante backpropagation:

(Le frecce lungo il fondo dell'immagine sono le backpropagations che hanno il loro gradiente invertito).

Nel documento gli autori sostengono che l'approccio "può essere implementato utilizzando qualsiasi pacchetto di deep learning", e in effetti forniscono uno version made in caffe.

Tuttavia, sto usando il framework Lasagne/Theano, per vari motivi.

È possibile creare uno strato di inversione del gradiente in Lasagne/Theano? Non ho visto alcun esempio di dove si possano applicare trasformazioni scalari personalizzate a gradienti come questo. In tal caso, posso farlo creando un livello personalizzato in Lasagne?

Answer 1

Ecco un'implementazione dello schizzo utilizzando il semplice Theano. Questo può essere integrato in Lasagne abbastanza facilmente.

È necessario creare un'operazione personalizzata che funge da operazione di identità nel passaggio in avanti, ma inverte il gradiente nel passaggio all'indietro.

Ecco un suggerimento su come potrebbe essere implementato. Non è stato testato e non sono sicuro al 100% di aver capito tutto correttamente, ma potresti essere in grado di verificare e correggere come richiesto.

class ReverseGradient(theano.gof.Op): 
    view_map = {0: [0]} 

    __props__ = ('hp_lambda',) 

    def __init__(self, hp_lambda): 
     super(ReverseGradient, self).__init__() 
     self.hp_lambda = hp_lambda 

    def make_node(self, x): 
     return theano.gof.graph.Apply(self, [x], [x.type.make_variable()]) 

    def perform(self, node, inputs, output_storage): 
     xin, = inputs 
     xout, = output_storage 
     xout[0] = xin 

    def grad(self, input, output_gradients): 
     return [-self.hp_lambda * output_gradients[0]] 

Utilizzando la notazione carta e convenzioni di denominazione, ecco una semplice implementazione Theano del modello generale completa che propongono.

import numpy 
import theano 
import theano.tensor as tt 


def g_f(z, theta_f): 
    for w_f, b_f in theta_f: 
     z = tt.tanh(theano.dot(z, w_f) + b_f) 
    return z 


def g_y(z, theta_y): 
    for w_y, b_y in theta_y[:-1]: 
     z = tt.tanh(theano.dot(z, w_y) + b_y) 
    w_y, b_y = theta_y[-1] 
    z = tt.nnet.softmax(theano.dot(z, w_y) + b_y) 
    return z 


def g_d(z, theta_d): 
    for w_d, b_d in theta_d[:-1]: 
     z = tt.tanh(theano.dot(z, w_d) + b_d) 
    w_d, b_d = theta_d[-1] 
    z = tt.nnet.sigmoid(theano.dot(z, w_d) + b_d) 
    return z 


def l_y(z, y): 
    return tt.nnet.categorical_crossentropy(z, y).mean() 


def l_d(z, d): 
    return tt.nnet.binary_crossentropy(z, d).mean() 


def mlp_parameters(input_size, layer_sizes): 
    parameters = [] 
    previous_size = input_size 
    for layer_size in layer_sizes: 
     parameters.append((theano.shared(numpy.random.randn(previous_size, layer_size).astype(theano.config.floatX)), 
          theano.shared(numpy.zeros(layer_size, dtype=theano.config.floatX)))) 
     previous_size = layer_size 
    return parameters, previous_size 


def compile(input_size, f_layer_sizes, y_layer_sizes, d_layer_sizes, hp_lambda, hp_mu): 
    r = ReverseGradient(hp_lambda) 

    theta_f, f_size = mlp_parameters(input_size, f_layer_sizes) 
    theta_y, _ = mlp_parameters(f_size, y_layer_sizes) 
    theta_d, _ = mlp_parameters(f_size, d_layer_sizes) 

    xs = tt.matrix('xs') 
    xs.tag.test_value = numpy.random.randn(9, input_size).astype(theano.config.floatX) 
    xt = tt.matrix('xt') 
    xt.tag.test_value = numpy.random.randn(10, input_size).astype(theano.config.floatX) 
    ys = tt.ivector('ys') 
    ys.tag.test_value = numpy.random.randint(y_layer_sizes[-1], size=9).astype(numpy.int32) 

    fs = g_f(xs, theta_f) 
    e = l_y(g_y(fs, theta_y), ys) + l_d(g_d(r(fs), theta_d), 0) + l_d(g_d(r(g_f(xt, theta_f)), theta_d), 1) 

    updates = [(p, p - hp_mu * theano.grad(e, p)) for theta in theta_f + theta_y + theta_d for p in theta] 
    train = theano.function([xs, xt, ys], outputs=e, updates=updates) 

    return train 


def main(): 
    theano.config.compute_test_value = 'raise' 
    numpy.random.seed(1) 
    compile(input_size=2, f_layer_sizes=[3, 4], y_layer_sizes=[7, 8], d_layer_sizes=[5, 6], hp_lambda=.5, hp_mu=.01) 


main() 

Questo non è testato, ma ciò che segue può permettere che questo op personalizzato da utilizzare come strato di lasagne:

class ReverseGradientLayer(lasagne.layers.Layer): 
    def __init__(self, incoming, hp_lambda, **kwargs): 
     super(ReverseGradientLayer, self).__init__(incoming, **kwargs) 
     self.op = ReverseGradient(hp_lambda) 

    def get_output_for(self, input, **kwargs): 
     return self.op(input)