如何获得关于输入的梯度并改变输入（而不是可训练的变量）以最小化 TF 2 中的损失？

Question

我想使用经过训练的模型来更改输入，从而最大限度地减少损失（而不是更改可训练变量），就像 Tensorflow 2.0 中的 Deep Dreaming，但我没有成功。

假设我有一个基本的 NN，就像文档中的那样

class MyModel(Model):
  def __init__(self):
    super(MyModel, self).__init__()
    self.conv1 = Conv2D(32, 3, activation='relu')
    self.flatten = Flatten()
    self.d1 = Dense(128, activation='relu')
    self.d2 = Dense(10, activation='softmax')

  def call(self, x):
    x = self.conv1(x)
    x = self.flatten(x)
    x = self.d1(x)
    return self.d2(x)

model = MyModel()

我使用一个简单的 tf.GradientTape 函数进行训练

@tf.function
def train_step(image, label):
  with tf.GradientTape() as tape:
    predictions = model(image)
    loss = loss_object(label, predictions)
  gradients = tape.gradient(loss, model.trainable_variables)
  optimizer.apply_gradients(zip(gradients, model.trainable_variables))

创建将计算梯度并将其应用于输入图像的函数的惯用方法是什么。

我以为它会像

一样简单

def train_step(image, label):
  with tf.GradientTape() as tape:
    predictions = model(image)
    loss = loss_object(label, predictions)
  gradients = tape.gradient(loss, image)
  optimizer.apply_gradients(zip(gradients, image))

然而，这不起作用。

Answer 1

tf.GradientTape.gradients 只能将 wrt 区分为观察张量。第一次访问时会自动监视变量。为了区分任意张量，您必须明确地 watch 它：

>>> x = tf.constant([4.0])
>>> y = tf.constant([2.0])
>>> with tf.GradientTape() as tape:
...     tape.watch([x, y])
...     z = x * y
...     
>>> tape.gradient(z, [x, y])
[<tf.Tensor: id=9, shape=(1,), dtype=float32, numpy=array([ 2.], dtype=float32)>, 
 <tf.Tensor: id=10, shape=(1,), dtype=float32, numpy=array([ 4.], dtype=float32)>]

如何获得关于输入的梯度并改变输入（而不是可训练的变量）以最小化 TF 2 中的损失？

How to get gradients with respect to input and change input (rather than trainable vars) to minimize loss in TF 2?

python

tensorflow

gradient

tensorflow2.0