Tensorflow冻结模型但反向传播错误并更新输入层

Question

我试着解释我的目标。 使用训练有素的模型，我想选择输出类并更新所需的图像。

1. 将图像分配给'input_layer'。
2. 根据所需的输出/等级转发并计算'output_layer'的错误。
3. 将错误反向传播到'input_layer'，而不更新网络的权重和偏差。
4. 使用反向传播错误更新输入图层，原始图像。

一些提示？

Answer 1

您可以使用tf.gradients反向传播到输入图层：

...
logits = run_net(image)
g = tf.gradients(logits[target_class], image)
image += g[0] * step
...

可以在Deep Dream demo code中找到这样做的好例子（参见例如＆＃34; Naive feature visualization＆＃34;或＆＃34; Multiscale image generation。＆＃34;