Getting the jacobian inside GradientTape
Mantenedores costumam responder em até 21 dias
Ninguém assumiu esta issue ainda.
Avaliação
- Dificuldade
- 4/5
- Tempo estimado
- 3-5 dias
- Facilidade para iniciantes
- 35/100
- Tipo de issue
- Bug
- Clareza
- Razoavelmente clara
- Status de atividade
- Estagnada
- Stack de tecnologia
- python, tensorflow
- Domínio
- machine-learning
Direção de pesquisa
Reproduza o problema com o exemplo de Python fornecido, começando em tfq.layers.PQC e na chamada de GradientTape.jacobian; inspecione a operação TfQAdjointGradient reportada. Considera-se concluído quando a matriz jacobiana puder ser calculada dentro do tape, enquanto os gradientes das operações posteriores continuam disponíveis para a atualização final.
Escrita pelo modelo de indexação a partir do texto da issue.
Descrição
If I want to compute the jacobian inside of gradient tape (so I can use it downstream in optimization) classically I can do:
x = tf.random.normal([7, 1])
model = tf.keras.Sequential([
tf.keras.layers.Input(shape=(1,)),
tf.keras.layers.Dense(5),
])
with tf.GradientTape(persistent=True) as tape:
y = model(x)
j = tape.jacobian(y, model.trainable_variables[0])
But if I try to do that with a PQC in the mode, I get the following error: LookupError: No gradient defined for operation'TfqAdjointGradient' (op type: TfqAdjointGradient). In general every operation must have an associated `@tf.RegisterGradient` for correct autodiff, which this op is lacking. If you want to pretend this operation is a constant in your program, you may insert `tf.stop_gradient`. This can be useful to silence the error in cases where you know gradients are not needed, e.g. the forward pass of tf.custom_gradient. Please see more details in https://www.tensorflow.org/api_docs/python/tf/custom_gradient.
Example code:
x = tfq.convert_to_tensor([cirq.Circuit()] * 7)
qubits = cirq.GridQubit.rect(1, 2)
readouts = [cirq.Z(i) for i in qubits]
s = sympy.symbols("a b")
c = cirq.Circuit()
c += cirq.ry(s[0]).on(qubits[0])
c += cirq.ry(s[1]).on(qubits[1])
model = tf.keras.Sequential([
tf.keras.layers.Input(shape=(), dtype=tf.string),
tfq.layers.PQC(c, readouts),
])
with tf.GradientTape(persistent=True) as tape:
y = model(x)
j = tape.jacobian(y, model.trainable_variables[0])
If I put in a tf.stop_gradient(y) then I just get the jacobian to be none. Also I don't want to use a stop gradient because there are down stream tasks I want the gradient accumulating through for a final GD update. Is this is a known limitation or am I doing something wrong? In either case, what would your recommended path forward be?
- Linguagem predominante
- Python
- Estrelas
- 2.2k
- Forks
- 675
- Merge médio
- 15d 11h
- PRs com merge (30d)
- 3
Preparar o ambiente
- Sem Dockerfile nem arquivo Docker Compose
- Sem modelo de pull request
- Ler o guia de contribuição
Primeiros passos
- Leia a issue inteira e depois o guia de contribuição do projeto.
- Comente na issue dizendo que vai assumir — evita que duas pessoas façam o mesmo trabalho.
- Faça um fork do repositório e trabalhe em uma branch.
- Abra um pull request que referencie o número da issue.
Mais de tensorflow/quantum
-
area/c++ area/core kind/bug-report
Dificuldade 2/5 1-3 horas Facilidade para iniciantes 78/100
tensorflow/quantum#1140 ·
Mantenedores costumam responder em até 21 dias
-
area/c++ area/core kind/bug-report
Dificuldade 3/5 1-2 dias Facilidade para iniciantes 74/100
tensorflow/quantum#1141 ·
Mantenedores costumam responder em até 21 dias
-
Support Keras 3Talvez livre de novo @rosspeili assumiu há 127 dias e não há nenhum pull request aberto. Abertaarea/keras help wanted skill-level/intermediate
tensorflow/quantum#1090 · 5 comentários · 1 responsável ·
Mantenedores costumam responder em até 21 dias
-
area/circuits priority/after-0.7.7 skill-level/expert
Dificuldade 5/5 Mais de uma semana Facilidade para iniciantes 25/100
tensorflow/quantum#1087 ·
Mantenedores costumam responder em até 21 dias
-
Efficiently handle circuit sizes 10x or more of today's circuitsTalvez livre de novo @SripriyaDevarapalli assumiu há 47 dias e não há nenhum pull request aberto. Abertaarea/circuits area/performance help wanted priority/after-0.7.7 skill-level/expert
Dificuldade 5/5 Mais de uma semana Facilidade para iniciantes 25/100
tensorflow/quantum#1086 · 1 comentário ·
Mantenedores costumam responder em até 21 dias
Todas as issues de tensorflow/quantum
Issues semelhantes
-
[dbt] exported dataset keys reference physical columnsTalvez já em andamento @WilliamKelley assumiu hoje. Abertaneeds-triage
Dificuldade 2/5 1-3 horas Facilidade para iniciantes 68/100
apache/ossie-converters#251 ·
Mantenedores costumam responder em até 2 dias
-
cli difficulty: easy enhancement
Dificuldade 2/5 1-3 horas Facilidade para iniciantes 82/100
Mantenedores costumam responder em até 2 dias
-
Dificuldade 2/5 1-3 horas Facilidade para iniciantes 62/100
desec-io/desec-stack#1312 ·
Mantenedores costumam responder em até 14 dias
-
needs-triage
Dificuldade 2/5 1-3 horas Facilidade para iniciantes 82/100
aws/aws-durable-execution-sdk-python#977 ·
Mantenedores costumam responder em até 1 dia
-
needs-triage
Dificuldade 1/5 Menos de uma hora Facilidade para iniciantes 88/100
flashinfer-ai/flashinfer#9803 ·
Mantenedores costumam responder em até 1 dia