Python 3.x 操作次数随tf梯度的增加而增加

所以我试图用Keras和tensorflow的组合计算梯度wrt输入：

代码（在循环中）如下所示：

我注意到“n_操作”会增加每次迭代的次数，从而增加时间成本。这正常吗？有没有办法防止这种情况

---

谢谢大家!

不，这不是期望的行为。您的问题是，您一次又一次地定义渐变操作，而您只需要执行该操作。

tf.gradient

函数将新操作推送到图形上，并返回这些渐变的句柄。因此，您只需执行它们即可获得所需的结果。通过多次运行函数，会生成多个操作，这最终会破坏您的性能。解决办法如下：

# outside the loop
loss = K.categorical_crossentropy(model's output, target)
gradients = tf.gradients(loss, model.input, colocate_gradients_with_ops=True)

# inside the loop
gradient_np = sess.run([gradients],feed_dict={model.input: img}) # img is a numpy array that fits the dimension requirements

# outside the loop
loss = K.categorical_crossentropy(model's output, target)
gradients = tf.gradients(loss, model.input, colocate_gradients_with_ops=True)

# inside the loop
gradient_np = sess.run([gradients],feed_dict={model.input: img}) # img is a numpy array that fits the dimension requirements