Machine learning 如何在keras中定义自定义激活函数的导数

我有一个自定义激活函数及其导数，虽然我可以使用自定义激活函数，但我不知道如何告诉keras它的导数是什么

看起来它自己找到了一个，但我有一个参数，必须在函数和它的导数之间共享，所以我怎么能做到呢

我知道在tensorflow中有一种相对简单的方法可以做到这一点，但我不知道如何在keras中实现它

---

编辑：根据我得到的答案，也许我不够清楚。我想要的是为我的激活函数实现一个自定义导数，以便它在反向传播期间使用我的导数。我知道如何实现自定义激活功能。

看看定义了Keras激活功能的源代码：

keras/activations.py

例如：

def relu(x, alpha=0., max_value=None):
    """Rectified Linear Unit.

    # Arguments
        x: Input tensor.
        alpha: Slope of the negative part. Defaults to zero.
        max_value: Maximum value for the output.

    # Returns
        The (leaky) rectified linear unit activation: `x` if `x > 0`,
        `alpha * x` if `x < 0`. If `max_value` is defined, the result
        is truncated to this value.
    """
    return K.relu(x, alpha=alpha, max_value=max_value)

假设您想在密集层中使用此激活，您只需将函数如下所示：

x = Dense(128, activation=my_activ(p1, p2))(input)

---

如果您的意思是希望实现自己的衍生工具：

如果激活函数是用可微分的Tensorflow/Keras函数编写的（例如，

K.dot（）、tf.matmul（）、tf.concat（）等

），则将通过自动微分获得导数。在这种情况下，你不需要写你自己的导数

---

如果您仍然想重新编写导数，请查看此文档，您需要使用

tf注册梯度。RegisterGradient

Keras使用tensorflow，因此，将其定义为tensorflow op。正如我所说，我不知道如何在Keras中实现它在tensorflow中实现它。Keras将使用tensorflow函数。在层中使用

activation=yourTensorflowFunc

。或者使用激活层

激活（yourTensorflowFunc）

。这不是我的问题，我知道如何实现我自己的激活函数，我想实现的是在反向传播过程中使用的它的派生。这就是我想说的：在tensorflow中实现自定义激活和自定义派生，按照你的指示去做。Keras“确实使用了tensorflow函数”。我知道如何实现我自己的激活函数，我想要的是实现反向传播过程中使用的自定义导数

x = Dense(128, activation=my_activ(p1, p2))(input)