要使用Keras获得关于权重的模型输出的梯度,您必须使用Keras后端模块 . 我创建了这个简单的例子来准确说明该做什么:
from keras.models import Sequential
from keras.layers import Dense, Activation
from keras import backend as k
model = Sequential()
model.add(Dense(12, input_dim=8, init='uniform', activation='relu'))
model.add(Dense(8, init='uniform', activation='relu'))
model.add(Dense(1, init='uniform', activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
要计算梯度,我们首先需要找到输出张量 . 对于模型的输出(我最初提出的问题),我们只需调用model.output . 我们还可以通过调用model.layers [index] .output找到其他层的输出梯度
outputTensor = model.output #Or model.layers[index].output
然后我们需要选择与梯度相关的变量 .
listOfVariableTensors = model.trainable_weights
#or variableTensors = model.trainable_weights[0]
我们现在可以计算梯度 . 它很简单如下:
gradients = k.gradients(outputTensor, listOfVariableTensors)
要实际运行给定输入的渐变,我们需要使用一点Tensorflow .
trainingExample = np.random.random((1,8))
sess = tf.InteractiveSession()
sess.run(tf.initialize_all_variables())
evaluated_gradients = sess.run(gradients,feed_dict={model.input:trainingExample})
这就是它!