如何在 Tensorflow 2.0 中计算输出 wrt 输入的梯度

Question

我有一个训练有素的 Tensorflow 2.0 模型（来自 tf.keras.Sequential()），它采用具有 26 列 (X) 的输入层并生成具有 1 列 (Y) 的输出层。

在 TF 1.x 中，我能够计算输出相对于输入的梯度，如下所示：

model = load_model('mymodel.h5')
sess = K.get_session()
grad_func = tf.gradients(model.output, model.input)
gradients = sess.run(grad_func, feed_dict={model.input: X})[0]

在 TF2 中，当我尝试运行 tf.gradients() 时，出现错误：

运行时错误：启用急切执行时不支持 tf.gradients。使用 tf.GradientTape 代替。

在带有急切执行的 TensorFlow 2.0 中，如何计算特定层的网络输出的梯度？，我们看到了关于如何计算关于中间层的梯度的答案，但我不知道如何将其应用于关于输入的梯度。在tf.GradientTape 的 Tensorflow 帮助中，有计算简单函数梯度的示例，但没有计算神经网络的示例。

如何使用tf.GradientTape计算输出相对于输入的梯度？

Answer 1

这应该适用于 TF2：

inp = tf.Variable(np.random.normal(size=(25, 120)), dtype=tf.float32)

with tf.GradientTape() as tape:
    preds = model(inp)

grads = tape.gradient(preds, inp)

基本上，您的操作方式与 TF1 相同，但使用GradientTape.