带有非张量参数的Tensorflow custom_gradient

Question

使用tensorflow的@ tf.custom_gradient装饰器时，我总是遇到麻烦，因为该函数的一个参数（可以争论是否是op）是不可变的，而我无法（或不想）定义它的梯度贡献。 由于似乎没有一种方法可以告诉tensorflow有关其输入属性的任何信息，因此我采用了以下解决方案，我认为这可能对其他人有用。这是定义泊松损失的示例。只有“ fwd”是张量，而其他所有参数都不是：

def Loss_Poisson(fwd,meas,Bg=0.05, checkPos=False):
    meanmeas=np.mean(meas)
    if checkPos:
        fwd=((tf.sign(fwd) + 1)/2)*fwd
    @tf.custom_gradient
    def BarePoisson(myfwd):
        def grad(dy):
            mygrad=dy*(1.0 - meas/(myfwd+Bg))/meas.size  # the size accounts for the mean operation (rather than sum)
            return mygrad
        totalError = tf.reduce_mean((myfwd+Bg-meas) - meas * tf.log((myfwd+Bg)/(meas+Bg)))  
        return totalError,grad    
    return BarePoisson(fwd)/meanmeas

诀窍是使用内部函数，该函数仅具有一个（张量）参数，并偷偷使用外部函数中的其他不可变参数。这样，@ tf.custom_gradient装饰器对那些装饰器是盲目的。在测试中，这很好。 也许更干净的解决方案会断言，那些（均值，Bg和checkPos）实际上都不是张量，因为这可能会导致错误的梯度。

有没有（更好的）替代这种黑客手段？