对具有字典输入(由多个模型组成)的tf.keras神经网络使用GradientTape
提问于 2021-11-13 05:44:43
我需要从Tensorflow/Keras2.0 (super_model)中实现的神经网络中获取导数。由于我之前在this post中解释的问题，这个模型由多个基本模型(从x1到x6)组成。(因此，如果只将角度传递给模型，我将得到一个错误。)请参阅以下代码：
angles=[0] * 21
data = {
'x1_model_input': numpy.array([angles[0:3]]),
'x2_model_input': numpy.array([angles[3:6]]),
'x3_model_input': numpy.array([[angles[6]]]),
'x4_model_input': numpy.array([angles[7:13]]),
'x5_model_input': numpy.array([angles[13:15]]),
'x6_model_input': numpy.array([angles[15:21]])
}
# this super_model prediction is working well
pred = super_model.predict(data) # `pred` shape is `shape=(1,1)` 现在，我需要使用GradientTape根据输入数据对网络进行求导。我尝试了以下方法，目的是获得上述指定数据的网络梯度值：
with tf.GradientTape() as tape:
pred = super_model(data)
# does not work as `data` is a dictionary
# the error is:
# ...
# return pywrap_tfe.TFE_Py_TapeGradient(
# AttributeError: 'numpy.ndarray' object has no attribute '_id'
grad = tape.gradient(pred, data) 但是，data是一个字典，我不能先调用tape.watch，然后调用gradient。我也不能通过data调用tf.convert_to_tesnor，因为它是一个字典。因此，我的问题是如何在不更改super_model结构的情况下继续工作
回答 1
Stack Overflow用户
回答已采纳
发布于 2021-11-13 06:25:57
我不确定这对您来说是否是一个可行的选择，但是您的代码可以使用tf.Variable代替numpy
import tensorflow as tf
angles=[0] * 21
test_tensor = tf.Variable([angles[0:3]], dtype=tf.float32)
data = {
'x1_model_input': test_tensor,
'x2_model_input': tf.Variable([angles[3:6]], dtype=tf.float32),
'x3_model_input': tf.Variable([[angles[6]]], dtype=tf.float32),
'x4_model_input': tf.Variable([angles[7:13]], dtype=tf.float32),
'x5_model_input': tf.Variable([angles[13:15]], dtype=tf.float32),
'x6_model_input': tf.Variable([angles[15:21]], dtype=tf.float32)
}
with tf.GradientTape() as tape:
pred = tf.constant([[1.0]]) * test_tensor
grad = tape.gradient(pred, data)
tf.print(grad){'x1_model_input': [[1 1 1]],
'x2_model_input': None,
'x3_model_input': None,
'x4_model_input': None,
'x5_model_input': None,
'x6_model_input': None}页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/69954835
复制
腾讯云开发者
