Numpy TensorFlow：如何在不使用eval的情况下使用自定义渐变实现python功能？

我正在尝试使用tf.py_func在python中编写一些自定义TensorFlow函数，其中我希望在python中计算结果和梯度。我正在使用渐变覆盖贴图技巧，例如从和

然而，当正向函数得到一个numpy数组作为输入时，梯度函数得到张量。这是一个问题，取决于调用函数的时间，因为可能没有默认会话，和/或可能没有包含所有必需值的提要，例如，在tf.train优化器中

如何在向前和向后函数都获取并返回numpy数组的情况下执行py_func

示例代码：

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

def sin_func(x):
    return np.sin(x)

def sin_grad_func(op, grad):
    x = op.inputs[0].eval()
    grad = grad.eval() # <--- this is what I'd like to avoid
    output_grad = np.cos(x) * grad
    return tf.convert_to_tensor(output_grad)

def py_func(func, inp, Tout, stateful=True, name=None, grad_func=None):
    grad_name = 'PyFuncGrad_' + str(np.random.randint(0, 1E+8))
    tf.RegisterGradient(grad_name)(grad_func)
    g = tf.get_default_graph()
    with g.gradient_override_map({"PyFunc": grad_name}):
        return tf.py_func(func, inp, Tout, stateful=stateful, name=name)

with tf.Session() as sess:
    np_x = np.linspace(0, np.pi, num=1000, dtype=np.float32)
    x = tf.constant(np_x)
    y = py_func(sin_func,
                [x],
                [tf.float32],
                name='np_sin',
                grad_func=sin_grad_func)
    y = y[0]
    gr = tf.gradients(y, [x])
    tf.global_variables_initializer().run()
    plt.plot(y.eval())
    plt.plot(gr[0].eval())

---

如果要在渐变函数中包含任意Python代码，最简单的解决方案是在sin_grad_func中创建另一个tf.py_func：

def sin_grad_func_impl(x, grad):
    return np.cos(x) * grad

def sin_grad_func(op, grad):
    return tf.py_func(sin_grad_func_impl, [x, grad], grad.dtype)