python-Keras：使用模型的一阶和二阶导数之和作为最终输出

假设我使用Keras创建了此模型：

model = Sequential()
model.add(Dense(32, activation='tanh', input_dim=1))
model.add(Dense(10, activation='tanh'))
model.add(Dense(1, activation='linear'))

该模型的输入和输出维度均为1.现在,假设我想再增加一层,即上面模型的一阶导数和二阶导数的总和(相对于输入),并将其用作我的新输出层.在Keras可能吗？我做了很多谷歌搜索,但找不到任何东西.

解决方法:

您可以在Tensorflow中使用tf.gradients计算梯度,在Keras中使用K.gradients计算梯度：

first = K.gradients(model.outputs, model.inputs)
second = K.gradients(first, model.inputs)

这是计算模型中的渐变的代码：

from tensorflow.python.keras import Model, Input
from tensorflow.python.keras import backend as K
from tensorflow.python.keras.layers import Dense, Lambda

def deriative(inps):
    i, o = inps[0], inps[1]
    grad1 = K.gradients(o, i)[0]
    grad2 = K.gradients(grad1, i)[0]
    return K.concatenate([grad1, grad2])


inps = Input(shape=(1,))
dense1 = Dense(32, activation='tanh')(inps)
dense2 = Dense(10, activation='tanh')(dense1)
dense3 = Dense(1, activation='linear')(dense2)

output = Lambda(deriative)([inps, dense3])

new_model = Model(inputs=inps, outputs=output)
new_model.compile('adam', 'mse')
print(new_model.summary())

标签：tensorflow,keras,neural-network,python
来源： https://codeday.me/bug/20191024/1923758.html