Python Keras：计算模型输出wrt输入回报的导数[无]

我需要帮助计算Keras中模型输出wrt输入的导数

我想给损失函数加一个正则化函数。正则化器包含分类器函数的导数。所以我试着求模型输出的导数。该模型是一个具有一个隐藏层的MLP。数据集是MNIST。当我编译模型并求导数时，得到的结果是[None]，而不是导数函数

我看过类似的帖子，但也没有得到答案：

这是我的密码。请帮我解决这个问题

import keras
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense
from keras import backend as K

num_hiddenNodes = 1024
num_classes = 10

(X_train, y_train), (X_test, y_test) = mnist.load_data()
X_train = X_train.reshape(-1, 28 * 28)
X_train = X_train.astype('float32')
X_train /= 255
y_train = keras.utils.to_categorical(y_train, num_classes)

model = Sequential()
model.add(Dense(num_hiddenNodes, activation='softplus', input_shape=(784,)))
model.add(Dense(num_classes, activation='softmax'))

# Compile the model
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
logits = model.output
# logits = model.layers[-1].output
print(logits)
X = K.identity(X_train)
# X = tf.placeholder(dtype=tf.float32, shape=(None, 784))
print(X)
print(K.gradients(logits, X))

下面是代码的输出。这两个参数是张量。gradients函数返回None

Tensor("dense_2/Softmax:0", shape=(?, 10), dtype=float32)
Tensor("Identity:0", shape=(60000, 784), dtype=float32)
[None]

---

您正在计算X_列的梯度，X_列不是计算图的输入变量。相反，您需要获得模型的符号输入张量，因此请尝试以下操作：

grads = K.gradients(model.output, model.input)

---

谢谢你的回答。首先问一个问题，你的答案中的K.gradient（model.input，model.output）应该是K.gradient（model.output，model.input）吗？然后，我尝试使用model.input作为参数。现在它在返回[]时工作。我想知道model.input、K.identity（X_train）和tf.placeholder（dtype=tf.float32，shape=（无，784）之间有什么区别。它们都是形状相同的张量：张量（“密集输入：0”，shape=（？，784），dtype=float32），张量（“identity:0”，shape=（60000，784），dtype=float32），张量（“占位符：0”，shape=（？，784），数据类型=32）。但只有第一个可以用于获取梯度。@user7367951是的，参数被交换。K.identity未连接到计算图，您实际上不能将其用于任何事情。它是

K.gradients

不是

K.gradients

tf。启用“急切执行”时不支持梯度。请改用tf.GradientTape