Tensorflow 将神经网络输出钳制在0和1之间的简单方法？

所以我正在写一个GAN神经网络，我想把网络的输出设置为0，如果它小于0，如果它大于1，则设置为1，否则保持不变。我对tensorflow非常陌生，但我不知道有任何tensorflow函数或激活可以做到这一点，而不会产生不必要的副作用。所以我做了损耗函数，它计算损耗就像输出被钳制一样，代码如下：

def discriminator_loss(real_output, fake_output):
    real_output_clipped = min(max(real_output.numpy()[0], 
    0), 1)
    fake_output_clipped = min(max(fake_output.numpy()[0], 
    0), 1)

    real_clipped_tensor = 
    tf.Variable([[real_output_clipped]], dtype = "float32")
    fake_clipped_tensor = 
    tf.Variable([[fake_output_clipped]], dtype = "float32")

    real_loss = cross_entropy(tf.ones_like(real_output), 
    real_clipped_tensor)
    fake_loss = cross_entropy(tf.zeros_like(fake_output), 
    fake_clipped_tensor)

    total_loss = real_loss + fake_loss
    return total_loss

但我得到了这个错误：

ValueError: No gradients provided for any variable: ['dense_50/kernel:0', 'dense_50/bias:0', 'dense_51/kernel:0', 'dense_51/bias:0', 'dense_52/kernel:0', 'dense_52/bias:0', 'dense_53/kernel:0', 'dense_53/bias:0'].

有人知道更好的方法吗？或者知道修复此错误的方法吗

---

谢谢

您可以应用Keras的

ReLU

层作为最终层，并将

max\u值设置为1.0

。例如：

model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(32, input_shape=(16,)))
model.add(tf.keras.layers.Dense(32))
model.add(tf.keras.layers.ReLU(max_value=1.0))

---

您可以在此处阅读更多信息：

您可以应用Keras的

ReLU

层作为最终层，并设置

max\u值=1.0

。例如：

model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(32, input_shape=(16,)))
model.add(tf.keras.layers.Dense(32))
model.add(tf.keras.layers.ReLU(max_value=1.0))

---

您可以在此处了解更多信息：

TF可能不知道如何根据此损失更新网络权重。交叉熵的输入是直接从numpy数组分配的张量（变量），与实际网络输出无关

如果您想对将保留在图中且（希望）可微的张量执行操作，请使用可用的TF操作。这里描述了一个“clip\u by\u value”操作：

---

例如，

real\u output\u clipped=tf.clip\u by\u value（real\u output，clip\u value\u min=0，clip\u value\u max=1）

tf可能不知道如何根据此损失更新网络权重。交叉熵的输入是直接从numpy数组分配的张量（变量），与实际网络输出无关

如果您想对将保留在图中且（希望）可微的张量执行操作，请使用可用的TF操作。这里描述了一个“clip\u by\u value”操作：

例如，

real\u output\u clipped=tf.clip\u by\u value（real\u output，clip\u value\u min=0，clip\u value\u max=1）