chainer.gradient_check.check_backward(func, x_data, y_grad, params=(), eps=0.001, atol=1e-05, rtol=0.0001, no_grads=None, dtype=None)[source]¶

与えられた関数のテストの逆方向への演算。

この関数は与えられた関数のバックワード・プロセスを自動的にチェックします。例えば、 Function クラスの２つの引数を取得し１つの値を返す MyFuncを持っているとき、 これを下記のようにして、チェックすることができます。

>> def test_my_func(self):

>>    func = MyFunc()

>>    x1_data = xp.array(...)

>>    x2_data = xp.array(...)

>>    gy_data = xp.array(...)

>>    check_backward(func, (x1_data, x2_data), gy_data)

このメソッドは x_data を伴う Variable を生成し、 処理の結果をVariableとして取得するために Variable を伴うfunc を呼び出します。それから、y_grad 配列をその結果の  grad 属性にセットし、入力の勾配を取得するために backward メソッドを呼び出します。勾配の正しさをチェックするために、この関数は numerical_grad() を呼び出し、数値的に勾配を計算し、この勾配の型をchainer.testing.assert_allclose()と比較します。

計算時間を減らすため、, 関数 g:ℝ→ℝn を用います。

これは g(α)=f(αx)  と定義されており、ただし α∈ℝα∈ℝ かつ ff は、テストしたいと考えている関数が入ります。

この勾配は

であり、α=1のとき,g'(1)=f'(x)⋅ xです。  numerical_grad() でg'(1)を計算をし、勾配のドット積と比較します。

入力オブジェクトが整数を表しているとき、 （この学習データ中でx1_data または/かつ x2_data) それらの勾配は無視されます。

MyFunc が引数を１個のみの場合、テストを簡略化することが可能です。

>>   check_backward(func, x1_data, gy_data)

 MyFunc が損失関数であり、０次元の配列を返し、None を gy_dataへ渡すとき、 この場合、  1 を結果の grad 属性に設定します。

>>   check_backward(my_loss_func, (x1_data, x2_data), None)

 MyFunc が複数の出力を返す場合、出力の全ての勾配をタプルとして返します。

>>   gy1_data = xp.array(...)

>>   gy2_data = xp.array(...)

>>   check_backward(func, x1_data, (gy1_data, gy2_data))

Linkをテストすることもできます。Linkのパラメータの勾配をチェックするため、パラメータのタプルを params 引数へセットします。

>>   check_backward(my_link, (x1_data, x2_data), gy_data,

>>                  (my_link.W, my_link.b))

params は ndarray ではなく、 Variables であることに注意してください。

Function オブジェクトは func 引数として受け入れ可能です。

>>   check_backward(lambda x1, x2: f(x1, x2),

>>                  (x1_data, x2_data), gy_data)

Note

func は、全ての入力の数値勾配を取得するために、何度も呼び出されます。この関数は func が異なる勾配を取得し、ランダムに振る舞うとき、正しく動作しません。

See also

numerical_grad()