Python 如何在反向传播之前直接设置层的梯度？

想象一个定义如下的小网络，其中线性是一个典型的辅助函数，为权重矩阵和激活函数定义TensorFlow变量：

final\u layer=线性（线性（\u输入，10，tf.nn.tanh），20）

通常，这将通过损失梯度下降进行优化：

loss=tf.reduce_sum（tf.square（最终_层-_目标））
列车步进=tf.train.AdamOptimizer（）.最小化（损失）

但假设我从外部来源（例如，名为_deriv的tf.占位符）获得损耗w.r.t.最终_层的导数。如何将此梯度信息与内置优化器一起用于反向传播和更新网络参数

我目前使用的解决方法是构造一个由_deriv和final_层之间的内积组成的人工损耗（因为这个损耗的导数w.r.t.final_层将等于_deriv）

loss=tf.减少总和（最后一层*）
列车步进=tf.train.AdamOptimizer（）.最小化（损失）

这是非常浪费的，因为它需要做这个不必要的内积，并计算每个训练步骤的导数，即使我已经知道这个信息。有更好的办法吗

---

对于那些认为这是一件奇怪的事情需要做的人来说，这是实现的必要条件。

tf。渐变通过其
grad ys
参数提供此功能，请参阅。在你的例子中，
tf.gradients（[final\u layer]，变量列表，grad\u ys=[\u deriv]）
将计算你想要的梯度

不幸的是，内置优化器似乎没有将
grad_ys
参数传递给
tf.gradients
。您可能需要在优化器类的方法中加入一些东西。
对于那些想知道的人，在TensorFlow 2中实现这一点的一个好方法是。具体来说，更改
train_step
函数以忽略本机
GradientTape（）
，而是将外部计算的梯度传递给优化器。
有趣的问题。也许是在像这样的斜坡上挖掘？