如何加快计算神经网络输出相对于keras隐藏层的梯度？

问题描述

我正在计算相对于神经元的（输入，target_class）对的网络输出的梯度。但是，按照我实现事物的方式，计算速度非常慢。我怀疑这是因为我多次调用keras.backend.function和keras.backend.gradients。@H_502_1@

def get_gradients_hidden_layers(model,data_x):

    def keras_function_layer(layer,data_x):
        gradients = keras.backend.gradients(model.layers[-2].output[:,target_class],layer.output)[0]
        hidden_func = keras.backend.function(model.inputs,gradients)
        result = hidden_func(data_x)
    
        return result
    
    gradient_list = [[] for _ in range(len(model.layers[:-2]))]
    count = 0
    for layer in model.layers[:-2]:
        for index in range(data_x.shape[0]):
       
            gradient_layer = keras_function_layer(layer,np.expand_dims(data_x[index,:],axis=0))
            gradient_list[count].append(gradient_layer)
        count += 1

    gradient_list = np.array(gradient_list)

    return gradient_list

有人建议我如何更有效地传递目标类，而不必为每个输入调用keras_function_layer？@H_502_1@

谢谢@H_502_1@

解决方法

暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！

如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。

小编邮箱:dio#foxmail.com (将#修改为@）