Tensorflow冻结模型但反向传播错误并更新输入层

我试图解释我的目标。 使用经过训练的模型，我想选择输出类并更新反馈的图像

将图像指定给“输入层”

转发并计算“输出层”相对于所需输出/类的错误

将错误反向传播到“输入层”，而不更新网络的权重和偏差

使用反向传播的错误更新输入层（原始图像）

---

一些提示？

您可以使用

tf.gradients

反向传播到输入层：

...
logits = run_net(image)
g = tf.gradients(logits[target_class], image)
image += g[0] * step
...

在中可以找到这样做的好例子（例如，请参见“原始特征可视化”或“多尺度图像生成”）