使用 Keras 获取模型输出相对权重的梯度

我对利用 Keras API 的简单性构建强化学习模型感兴趣。不幸的是，我无法提取输出相对于权重的梯度（不是误差）。我发现以下代码执行类似的功能（神经网络的显着图（使用 Keras）)

get_output = theano.function([model.layers[0].input],model.layers[-1].output,allow_input_downcast=True)
fx = theano.function([model.layers[0].input] ,T.jacobian(model.layers[-1].output.flatten(),model.layers[0].input), allow_input_downcast=True)
grad = fx([trainingData])

关于如何计算模型输出相对于每层权重的梯度的任何想法将不胜感激。

要使用 Keras 获取模型输出相对于权重的梯度，您必须使用 Keras 后端模块。我创建了这个简单的示例来准确说明要做什么：

from keras.models import Sequential
from keras.layers import Dense, Activation
from keras import backend as k


model = Sequential()
model.add(Dense(12, input_dim=8, init='uniform', activation='relu'))
model.add(Dense(8, init='uniform', activation='relu'))
model.add(Dense(1, init='uniform', activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

为了计算梯度，我们首先需要找到输出张量。对于模型的输出（我最初的问题所问的），我们简单地称为 model.output。我们还可以通过调用找到其他层的输出梯度model.layers[index].output

outputTensor = model.output #Or model.layers[index].output

然后我们需要选择与梯度相关的变量。

  listOfVariableTensors = model.trainable_weights
  #or variableTensors = model.trainable_weights[0]

我们现在可以计算梯度。它很简单，如下所示：

gradients = k.gradients(outputTensor, listOfVariableTensors)

要实际运行给定输入的梯度，我们需要使用一些 Tensorflow。

trainingExample = np.random.random((1,8))
sess = tf.InteractiveSession()
sess.run(tf.initialize_all_variables())
evaluated_gradients = sess.run(gradients,feed_dict={model.input:trainingExample})

就是这样！