在Tensorflow 2模型中计算输入层的梯度

Question

我正在尝试为简单的密集自动编码器计算输入层的梯度

class MyModel(Model):
    def __init__(self):
        super(MyModel, self).__init__()

        self.place_holder = Dense(21393, activation='relu') 
        self.dense1 = Dense(1500, activation='relu', kernel_regularizer=tf.keras.regularizers.l2(0.3), name='first')
        self.dense2 = Dense(500, activation='relu')
        self.dense3= Dense(1500, activation='relu')
        self.out = Dense(21393, activation='relu') 

    def call(self, inp):
        inp = tf.reshape(inp,[-1, 21393])
        d1 = self.dense1(inp)
        d2 = self.dense2(d1)
        d3 = self.dense3(d2)
        out = self.out(d3) 

        return out

我将损失设置为网络输出中的特定指标，并尝试访问在任意输入上一步计算的梯度：

      optimizer = tf.keras.optimizers.Adam()
      print(ind)
      with tf.GradientTape() as tape:
        predictions = model(input_dummy)
        loss = predictions[0, ind]

      gradients = tape.gradient(loss, model.input)

但是，出现以下错误： AttributeError：my_model_7层未连接，无输入返回。

在Tensorflow 2.x上是否有更好的方法来计算网络输入上的梯度？