我有一个自定义的激活函数及其导数，虽然我可以使用这个自定义激活函数，但我不知道如何告诉Keras它的导数是什么。

看起来Keras似乎可以自己找到导数，但我的函数和其导数之间需要共享一个参数，我该如何实现这一点呢？

我知道在TensorFlow中有一个相对简单的实现方法，但我不知道如何在Keras中实现，这是如何在TensorFlow中实现的

编辑：基于我得到的回答，我可能没有解释清楚。我想要的是为我的激活函数实现一个自定义的导数，以便在反向传播过程中使用我的导数。我知道如何实现自定义激活函数。

回答：

请查看Keras定义激活函数的源代码：

keras/activations.py

例如：

def relu(x, alpha=0., max_value=None):    """整流线性单元。    # 参数        x: 输入张量。        alpha: 负部斜率。默认为零。        max_value: 输出最大值。    # 返回        整流线性单元激活：如果 `x > 0`，则为 `x`，        如果 `x < 0`，则为 `alpha * x`。如果定义了 `max_value`，结果        将被截断到此值。    """    return K.relu(x, alpha=alpha, max_value=max_value)

以及Keras层如何调用激活函数：self.activation = activations.get(activation) 其中activation可以是字符串或可调用对象。

因此，同样地，你可以定义自己的激活函数，例如：

def my_activ(x, p1, p2):    ...    return ...

假设你想在Dense层中使用这个激活函数，你只需这样放置你的函数：

x = Dense(128, activation=my_activ(p1, p2))(input)

如果你指的是你想实现自己的导数：

如果你的激活函数是用TensorFlow/Keras函数编写的，并且这些操作是可微分的（例如K.dot(), tf.matmul(), tf.concat() 等），那么导数将通过自动微分获得 https://en.wikipedia.org/wiki/Automatic_differentiation。在这种情况下，你不需要编写自己的导数。

如果你仍然想重新编写导数，请查看此文档 https://www.tensorflow.org/extend/adding_an_op，你需要使用tf.RegisterGradient注册你的梯度