Python 如何控制Keras中的微分链规则

我有一个在keras中有一些层的卷积神经网络。该网络中的最后一层是一个自定义层，负责对该层从上一层获得的一些数字进行排序，然后，将自定义层的输出发送到计算损耗函数

为此（排序）我在该层中使用了一些操作符，例如K.argmax和K.gather

在反向传播阶段，我从keras那里得到的错误是：

对于渐变，操作具有

None

。请确保所有操作都定义了梯度（即可微）。无梯度的普通操作：K.argmax、K.round、K.eval

这是合理的导致该层参与衍生过程

考虑到我的自定义层不需要符合差分链规则，我如何控制keras中的差分链？我可以在自定义层中禁用此过程吗

我在代码中使用的重新排序层如下所示：

def Reorder(args):
    z = args[0]
    l = args[1]
    index = K.tf.argmax(l, axis=1)
    return K.tf.gather(z, index)

Reorder_Layer = Lambda(Reorder, name='out_x')
pred_x = Reorder_Layer([z, op])

有几件事：

• 没有导数是不可能训练的，所以，如果你想训练这个模型，就没有解决方案
• 如果您只打算进行预测，则无需“编译”，因此不需要自定义派生规则

如果问题真的在那一层，我假设

l

是由模型使用前面的可训练层计算的

---

如果你真的想试试这个，这似乎不是个好主意，你可以试试

l=keras.backend.stop\u gradient（args[1]）

。但这意味着从

l

到模型开始，绝对不会进行任何训练。如果这不起作用，那么在编译模型之前，您必须使生成

l

的所有层都具有

trainable=False

谢谢你的回答。我想跳过这一层，以便在衍生过程中合并，因为这一层在反向传播中没有更新的权重。该层作为包装器进行操作，执行一些不需要学习如何执行该过程的操作（例如排序）。我将其定义为模型中的一个层，或者我必须做其他事情，这是个好主意吗？有什么想法吗？关于trainable=false，我认为这不能解决我的问题，因为不管trainable=false与否，梯度都会被计算出来，但是当trainable=false时，这个梯度不会在权重上更新。如果你想在这个层之前更新权重，就不可能使用这个层。