如何在keras批量更新期间缩放梯度？
How to scale the gradient during batch update in keras?
我正在使用标准的 keras 模型，并且正在批量训练（使用 train_on_batch 函数）。现在，我想获取批次中每个元素的梯度并对其进行缩放（将每个样本梯度乘以我拥有的样本特定值），在缩放每个梯度后，可以将其相加并用于更新现有权重。反正有没有给定的keras功能呢？如果没有，我有没有办法使用 tensorflow 来操纵它？ （给定模型，其余部分是用keras编写的）
函数看起来像这样：（循环是为了说明它发生在批次中的所有样本上）
grad = 0, w= #array of size batch_size
for i in batch_size:
grad <- grad + w_i*grad_i
- 在模型的
fit 方法中使用 sample_weights 参数。
- 或者，如果使用生成器，则使生成器 return 不仅
X_train, y_train，而且 X_train, y_train, sample_weights。
在这两种情况下，sample_weights 应该是一维向量，样本数与数据相同。
我正在使用标准的 keras 模型，并且正在批量训练（使用 train_on_batch 函数）。现在，我想获取批次中每个元素的梯度并对其进行缩放（将每个样本梯度乘以我拥有的样本特定值），在缩放每个梯度后，可以将其相加并用于更新现有权重。反正有没有给定的keras功能呢？如果没有，我有没有办法使用 tensorflow 来操纵它？ （给定模型，其余部分是用keras编写的）
函数看起来像这样：（循环是为了说明它发生在批次中的所有样本上）
grad = 0, w= #array of size batch_size
for i in batch_size:
grad <- grad + w_i*grad_i
- 在模型的
fit方法中使用sample_weights参数。 - 或者，如果使用生成器，则使生成器 return 不仅
X_train, y_train，而且X_train, y_train, sample_weights。
在这两种情况下，sample_weights 应该是一维向量，样本数与数据相同。