python - 带TF后端的Keras:获取相对于输入的输出梯度

我有一个非常简单的Keras MLP，我正在尝试获取输出相对于输入的梯度。

我正在使用以下代码：

regressor = Sequential([
    Dense(32, input_shape=(n_features,), activation='relu'),
    Dense(1)
])
regressor.compile(optimizer=SGD(lr=0.1), loss='mse')

regressor.fit(x, y)

output_tens = regressor.layers[-1].output
input_tens = regressor.layers[0].input

grad = tf.gradients(output_tens, input_tens)
with tf.Session() as sess:
    sess.run(grad, feed_dict={input_tens: np.zeros((1, n_features))})

失败并显示以下错误

FailedPreconditionError: Attempting to use uninitialized value dense_7/bias
     [[Node: dense_7/bias/read = Identity[T=DT_FLOAT, _class=["loc:@dense_7/bias"], _device="/job:localhost/replica:0/task:0/cpu:0"](dense_7/bias)]]

（堆栈跟踪很长，我想这不是很有用，所以我不在这里添加它）。

我的方法基本上正确吗？我有什么特别的事吗？

谢谢！

最佳答案

您需要获取您的keras会话以使其起作用：

import keras.backend as K

with K.get_session() as sess:
    sess.run(grad, feed_dict={input_tens: np.zeros((1, n_features))})

实例化新会话时-您没有从keras培训中初始化变量。

关于python - 带TF后端的Keras:获取相对于输入的输出梯度，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/47064178/