如何获得keras模型相对于其输入的梯度？

我只是问了一个关于同一主题的问题，但针对自定义模型（），但很快意识到这是在我能够走路之前尝试运行的，因此该问题已标记为此问题的重复

我试图简化我的场景，现在有了一个（不是定制的）

keras

模型，由两个

密集的

层组成：

inputs = tf.keras.Input((cols,), name='input')

layer_1 = tf.keras.layers.Dense(
        10,
        name='layer_1',
        input_dim=cols,
        use_bias=True,
        kernel_initializer=tf.constant_initializer(0.5),
        bias_initializer=tf.constant_initializer(0.1))(inputs)

outputs = tf.keras.layers.Dense(
        1,
        name='alpha',
        use_bias=True,
        kernel_initializer=tf.constant_initializer(0.1),
        bias_initializer=tf.constant_initializer(0))(layer_1)

model = tf.keras.Model(inputs=inputs, outputs=outputs)

prediction = model.predict(input_data)
# gradients = ...

现在我想知道

输入的
输出
相对于
输入的导数

到目前为止我所尝试的：

建议运行
grads=K.gradients（model.output，model.input）
。然而，如果我运行，我会得到这个错误

启用“急切执行”时不支持tf.gradients。使用
用梯度胶带代替

我只能假设这与现在默认的急切执行有关

另一种方法是在回答我关于定制keras模型的问题时，其中包括添加以下内容：

with tf.GradientTape() as tape:
    x = tf.Variable(np.random.normal(size=(10, rows, cols)), dtype=tf.float32)
    out = model(x)

关于这种方法，我不理解的是我应该如何加载数据。它要求
x
是
变量
，但my
x
是
tf.keras.Input
对象。我也不明白
with
语句在做什么，某种魔力，但我不明白

这里有一个听起来非常类似的问题：尽管应用程序和场景有很大的不同，我很难将答案应用到这个场景中。这确实让我在代码中添加了以下内容：

with tf.GradientTape() as t:
    t.watch(outputs)

这确实管用，但现在怎么办？我运行
model.predict（…）
，但是我如何得到我的梯度呢？答案是我应该运行
t.gradient（outputs，x_tensor）.numpy（）
，但是我应该为
x_tensor
输入什么呢？我没有输入变量。在运行
predict
之后，我尝试运行
t.gradient（输出、模型、输入）
，但结果是：

我最终得到了这个问题的一个不同答案：

这使我能够在不进行冗余计算的情况下获得输出和梯度。
这与您之前的问题有什么不同？在Keras中，所有模型都是自定义的。@MatiasValdenegro这是不同的，因为我不再创建从tf.Keras.model继承的自定义模型类。有关更多信息，请参见此：这不会改变梯度的计算方式，因此解决方案是相同的，因此是相同的问题。@MatiasValdenegro请随意回答我的任何一个问题。我仍然找不到答案@YOLO权重不是梯度。是否真的需要将输入numpy数组转换为张量？如果没有它，它可能会工作。我认为你不需要在那里观看。我一直在使用
GradientTape
在急切模式下训练很多模型。我从未使用过
watch
@MatiasValdenegro，我不确定，但可能是因为他们试图获得数据的“梯度”，所以在这种情况下，数据可能需要是张量？@MatiasValdenegro
.numpy（）
不是必需的。我会删除它。@DanielMöller我试着删除
watch
，但是
t.gradient
如果我这样做，就会返回
NoneType
。我认为这与张量是否“可训练”有关。我正在使用
scipy
进行训练，因此
keras
可能无法识别可训练的重量。
x_tensor = tf.convert_to_tensor(input_data, dtype=tf.float32)
with tf.GradientTape() as t:
    t.watch(x_tensor)
    output = model(x_tensor)

result = output
gradients = t.gradient(output, x_tensor)