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Tensorflow冻结模型但反向传播错误并更新输入层,tensorflow,backpropagation,softmax,Tensorflow,Backpropagation,Softmax,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 ...
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”)