Python 如何计算Keras模型输入的损失梯度w.r.t？

我想要实现的是计算交叉熵相对于输入值的梯度

x

。在TensorFlow中，我对此没有任何问题：

ce_grad = tf.gradients(cross_entropy, x)

但随着我的网络越来越大，我转而使用Keras来更快地构建它们。然而，现在我真的不知道如何实现上述目标？有没有办法从存储整个模型的

模型

变量中提取交叉熵和输入张量

为了清楚起见，我的交叉熵是：

cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels = y_, logits=y_conv))
<tf.Tensor 'Mean:0' shape=() dtype=float32>

---

我们可以编写一个后端函数来实现这一点。我们使用

K.categorical_crossentropy

计算损失，并使用

K.gradients

计算其相对于模型输入的梯度：

from keras import backend as K

# an input layer to feed labels
y_true = Input(shape=labels_shape)
# compute loss based on model's output and true labels
ce = K.mean(K.categorical_crossentropy(y_true, model.output))
# compute gradient of loss with respect to inputs
grad_ce = K.gradients(ce, model.inputs)
# create a function to be able to run this computation graph
func = K.function(model.inputs + [y_true], grad_ce)

# usage
output = func([model_input_array(s), true_labels])

---

谢谢，今天。标签的形状到底是什么？在我的例子中，我有

model.output

：所以我给出了

shape=（10，）

，但是它抛出了一些类型错误：类型错误：当单个张量expected@A.Newski模型的输出形状。例如，对于MNIST数据集上的分类模型，它可能是

（10，）

@A.Newski噢，对不起，我犯了一个小错误。在

K.gradients

中，它必须是

model.inputs

而不是

[model.inputs]

，因为

model.inputs

本身已经是一个列表。我在回答中纠正了这一点。对于

K.function

，也是一样。那么它不应该是

grad\u ce=K.gradients（ce，model.inputs）

？完美的时机：）谢谢！如果答案解决了您的问题，请单击复选标记接受答案(✔) 在答案旁边将其标记为“已回答”-请参阅

from keras import backend as K

# an input layer to feed labels
y_true = Input(shape=labels_shape)
# compute loss based on model's output and true labels
ce = K.mean(K.categorical_crossentropy(y_true, model.output))
# compute gradient of loss with respect to inputs
grad_ce = K.gradients(ce, model.inputs)
# create a function to be able to run this computation graph
func = K.function(model.inputs + [y_true], grad_ce)

# usage
output = func([model_input_array(s), true_labels])