原理：
tensorflow使用的求导方法称为自动微分（automatic differentiation），它既不是符号求导也不是数值求导，而类似于将两者结合的产物。
最基本的原理就是链式法则，关键思想是在基本操作（op）的水平上应用符号求导，并保持中间结果（grad）。
基本操作的符号求导定义在\tensorflow\python\ops\math_grad.py文件中，这个文件中的所有函数都用registergradient装饰器包装了起来，这些函数都接受两个参数op和grad，参数op是操作，第二个参数是grad是之前的梯度。
链式求导代码：
举个例子：
补充：聊聊tensorflow自动求导机制
自动求导机制
在即时执行模式下，tensorflow引入tf.gradienttape()这个“求导记录器”来实现自动求导。
计算函数y(x)=x^2在x = 3时的导数：
|
1
2
3
4
5
6
7
8
9
10
11
|
import tensorflow as tf#定义变量x = tf.variable(initial_value = 3.)#在tf.gradienttape()的上下文内，所有计算步骤都会被记录以用于求导with tf.gradienttape() as tape: #y = x^2 y = tf.square(x)#计算y关于x的导数(斜率，梯度)y_grad = tape.gradient(y,x)print([y,y_grad]) |
输出：
[<tf.tensor: shape=(), dtype=float32, numpy=9.0>, <tf.tensor: shape=(), dtype=float32, numpy=6.0>]
以上为个人经验，希望能给大家一个参考，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/qq_25094489/article/details/79390484
