Tensorflow 约束优化张量流

我在Keras中有一个经过训练的分类器神经网络。设神经网络为f（x）。我想找到向量x，当| | x | ^2=1时，f（x）最大化。我目前已经用Keras训练了我的神经网络

model = Sequential()
model.add(Dense(500, activation='sigmoid'))
model.add(Dense(500, activation='sigmoid'))
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))

model.compile(loss='binary_crossentropy', optimizer='adam',  metrics=['accuracy', auc])
model.fit(x_train, y_train, validation_data=(x_test, y_test), epochs=2, verbose = 1, callbacks=[earlyStopping])

---

我想知道，一旦我的神经网络经过训练，是否有办法解决这个约束优化问题。有一个scipy optimize可以为一般功能实现这一点。对于神经网络，有没有一种方法可以做到这一点。请提供一个代码样本。

如果我理解正确，您已经完成了神经网络的训练，并希望找到输入

x

，该输入可以最大限度地提高其在某一类中的概率（其中输出接近1.0）

您可以编写一个小函数，使用

predict\u proba（）

方法评估网络性能，以获得测试数据的分类概率，然后使用scipy优化此函数：

model = Sequential()
model.add(Dense(500, activation='sigmoid'))
model.add(Dense(500, activation='sigmoid'))
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))

model.compile(loss='binary_crossentropy', optimizer='adam',  metrics=['accuracy', auc])
model.fit(x_train, y_train, validation_data=(x_test, y_test), epochs=2, verbose = 1, callbacks=[earlyStopping])

def f(x):
    prediction = model.predict_proba(x)
    return -prediction

a = scipy.optimize.minimize(f, x0=np.random.randn(500))
optimal_x = a.x

---

optimal_x

将是输入

x

，它最大限度地提高了分类器将其放入一个特定类中的确定性

我不是在寻找最佳的数据集。我试图找到使预训练f（x）最大化的单个数据点x。f（x）只是评估神经网络。这只取决于x。但是呢？f（x）产生一组输出，每个类别一个。你想最大化什么？x是你的数据，F只产生一个概率。这是一个分类器。好的，我知道发生了什么。它是一个二元分类器，所以1代表类a，0代表类B。你想找到被强分类为类a的数据点吗？是的，这正是正确的