Python 在tensorflow.data.Dataset.map（）函数中执行的操作的渐变

我有一个包含X和Y部分的数据集。在输入到神经网络之前，需要将X转换成D

我使用

tf.data.Dataset

类来执行此操作：

# Making the place holders
X = tf.placeholder(shape=[n_samples, n_atoms, 3], dtype=tf.float32)
Y = tf.placeholder(shape=[n_samples, 1], dtype=tf.float32)

# Creating the data set
dataset = tf.data.Dataset.from_tensor_slices((X, Y))

# Transforming X to D using the map function 
dataset = dataset.map(X_to_D)
dataset = dataset.batch(200)
iterator = tf.data.Iterator.from_structure(dataset.output_types, dataset.output_shapes)
batch_D, batch_Y = iterator.get_next()

其中，函数

X_to_D

是一个tensorflow函数，它将

X

和

Y

张量作为输入，并返回

D

和

Y

张量

D

然后被分批分割并用作神经网络的输入。神经网络的输出是

Y\u预测

我需要获得关于

X

的

Y\u预测的梯度。但是，在尝试时：

gradients = tf.gradients(Y_prediction, X)

出现以下错误：

LookupError:gradient注册表没有以下项：IteratorGetNext
LookupError:没有为操作“IteratorGetNext_1”（操作1）定义梯度
类型：IteratorGetNext）

问题:
似乎很容易获得关于
D
的
Y\u预测的梯度。但是，我如何计算相对于
X
的
Y_预测的梯度呢

注:
X_to_D
函数的内存非常紧张，只能在非常小的数据批上执行。因此，我无法创建数据集，将其分批拆分，并在每个批次用于培训之前，将其从
X
转换为
D
。这是因为用于培训的批量太大，无法进行
X
到
D
转换
 使用tensorflow 2.0，您可以编写自定义模型，这允许您计算输入的导数w.r.t。比如说,

class MyModel(tf.keras.Model):
    def __init__(self):
        super(MyModel,self).__init__(name = 'my_model')
        self.dense_1 = layers.Dense(32,activation = 'relu', input_dim=2)
        self.dense_2 = layers.Dense(64,activation=tf.sin)
        self.dense_3 = layers.Dense(1)
    def call(self, inputs):
        # Define your forward pass here
        x = self.dense_1(inputs)
        x = self.dense_2(x)
        return self.dense_3(x)

model = MyModel()
optimizer = tf.keras.optimizers.RMSprop(0.001)
model.compile(loss='mse',
              optimizer=optimizer,
              metrics=['mae', 'mse'])
history = model.fit(X_train, y_train, epochs=10, batch_size = 1,
                    validation_split = 0.2, verbose=0)

要计算导数，请执行以下操作：

x = tf.constant(X_train[:1,:])
with tf.GradientTape() as g:
    g.watch(x)
    y = model.call(x)
dy_dx = g.gradient(y, x)
print(y)
dy_dx

您不计算有关
X
（网络输入）的渐变。您可以根据模型中的变量（神经网络权重、偏差等）计算梯度。@xdurch0我想要相对于占位符X的梯度。通常这会起作用（参见示例），但由于tf.data.Iterator，这似乎不起作用。我正在寻找一种方法来解决这个问题。