在Tensorflow中采用渐变，tf.gradient
问题描述：
我正在使用tensorflow的这个函数来获得我的函数jacobian。跨两个问题就来了：在Tensorflow中采用渐变，tf.gradient
- 的tensorflow文档矛盾到本身在以下两种段落如果我没有弄错：
梯度（）增加了OPS到图形输出的偏导数ys关于xs。它返回长度为len（xs）的张量列表，其中每个张量是y中y的总和（dy/dx）。 Blockquote
Blockquote 返回： xs中每个x的和（dy/dx）列表。 块引用
根据我的测试，它是，事实上，返回LEN（YS）的载体，其是用于在XS每个x的总和（DY/DX）。
我不明白他们为什么设计它的方式是返回是列（或行，取决于您如何定义雅可比例）的总和。
我怎样才能真正得到雅可比算子？
4.In的损失，我需要功能的偏导数相对于输入（X），但是当我相对于所述网络的权优化，我定义x作为占位符，其值是稍后喂食，并且权数是可变的，在这种情况下，我是否仍然可以定义函数关于输入（x）的符号导数？并把它放在损失？ （后来，当我们相对于权重优化将带来函数的二阶导数）。
答
我认为你是正确的，有一个错字那里，它很可能意味着是“长度LEN的（ YS）”。
为了效率。我无法解释推理的确切原因，但这似乎是TensorFlow处理自动分化的基本特征。请参阅issue #675。
没有简单的方法来获得TensorFlow中的雅可比矩阵。看看this answer，再看看issue #675。基本上，您需要每列/每行拨打
tf.gradients。是的，当然。你可以计算你想要的任何渐变，真正的占位符和任何其他操作之间没有真正的区别。有几个操作没有渐变，因为它没有很好的定义或没有实现（在这种情况下，它通常会返回0），但仅此而已。