Question

我试图相对于模型的输入（x）（不是权重）得出Keras模型的输出的导数。似乎最简单的方法是使用来自keras.backend的“梯度”，该梯度返回张量（https://keras.io/backend/）。我是tensorflow的新手，现在还不满意。我得到了梯度张量，并尝试为输入（x）的不同值获取其数值。但是，似乎渐变值与输入x（预期不是这样）无关，或者我做错了什么。任何帮助或评论将不胜感激。

import keras
import numpy as np
import matplotlib.pyplot as plt
from keras.layers import Dense, Dropout, Activation
from keras.models import Sequential
import keras.backend as K
import tensorflow as tf
%matplotlib inline

n = 100         # sample size
x = np.linspace(0,1,n)    #input
y = 4*(x-0.5)**2          #output
dy = 8*(x-0.5)       #derivative of output wrt the input
model = Sequential()
model.add(Dense(32, input_dim=1, activation='relu'))            # 1d input
model.add(Dense(32, activation='relu'))
model.add(Dense(1))                                             # 1d output

# Minimize mse
model.compile(loss='mse', optimizer='adam', metrics=["accuracy"])
model.fit(x, y, batch_size=10, epochs=1000, verbose=0)

gradients = K.gradients(model.output, model.input)              #Gradient of output wrt the input of the model (Tensor)
print(gradients)

#value of gradient for the first x_test
x_test_1 = np.array([[0.2]])
sess = tf.Session()
sess.run(tf.global_variables_initializer())
evaluated_gradients_1 = sess.run(gradients[0], feed_dict={model.input: 
x_test_1})
print(evaluated_gradients_1)

#value of gradient for the second x_test
x_test_2 = np.array([[0.6]])
evaluated_gradients_2 = sess.run(gradients[0], feed_dict={model.input: x_test_2})
print(evaluated_gradients_2)

我的代码的输出：

[<tf.Tensor 'gradients_1/dense_7/MatMul_grad/MatMul:0' shape=(?, 1) dtype=float32>]
[[-0.21614937]]
[[-0.21614937]]

evaluated_gradients_1和rated_gradients_2对于不同的运行是不同的，但始终相等！我希望它们在同一运行中会有所不同，因为它们用于输入（x）的不同值。网络的输出似乎是正确的。这是网络输出的图解：Output of the network vs. true value

Answer 1

这是答案：

sess = tf.Session()
sess.run(tf.global_variables_initializer())

应替换为：

sess = K.get_session()

前者创建一个新的Tensorflow会话并初始化所有值，这就是为什么它提供随机值作为梯度函数的输出的原因。后者退出在Keras内部使用的会话，该会话具有训练后的价值。

如何使用keras.backend.gradients（）获得梯度值

1 个答案: