我想在训练过程中获取模型损失函数相对于特定层输出的梯度。接下来我想用这个梯度的值来在下一个学习周期中修改层的某些内容。那么如何获取这个梯度呢？
这里是一个最小的示例。MinimalRNNCell的代码是从TensorFlow的网站上复制的，提供了一些玩具数据只是为了重现行为。
现在我想获取MyModel的minimalrnn层的输出梯度（在每批数据之后）。
如何做到这一点？我猜我可以尝试使用GradientTape来监视model.get_layer(‘minimalrnn’).output，但我需要更多的学习资源或示例。
编辑
我按照Tiago Martins Peres提供的代码使用了GradientTape，但我特别想获取相对于层输出的梯度，我仍然无法实现这一点。
现在在类定义之后，我的代码看起来像这样：
x=np.array([[[3.],[0.],[1.],[2.],[3.]],[[3.],[0.],[1.],[2.],[3.]]])y=np.array([[0., 1., 2., 3.],[0., 1., 2., 3.]])model=MyModel(2)#inputs = tf.keras.Input(shape=(2,5,1))#model.call(x)def gradients(model, inputs, targets): with tf.GradientTape() as tape: tape.watch(model.get_layer('minimalrnn').output) loss_value = loss_fn(model, inputs, targets) return tape.gradient(loss_value, model.trainable_variables)def loss_fn(model, inputs, targets): error = model(inputs) - targets return tf.reduce_mean(tf.square(error))optimizer = tf.keras.optimizers.Adam(learning_rate=0.01)print("初始损失: {:.3f}".format(loss_fn(model, x, y)))for i in range(10): grads = gradients(model, x, y) optimizer.apply_gradients(zip(grads, model.trainable_variables)) print("第{:03d}步的损失: {:.3f}".format(i, loss_fn(model, x, y)))print("最终损失: {:.3f}".format(loss_fn(model, x, y)))如您所见，我在gradients函数定义中添加了tape.watch，因为我想监视层输出。然而我得到了以下错误：
Traceback (most recent call last): File "/home/.../test2.py", line 73, in <module> grads = gradients(model, x, y) File "/home/.../test2.py", line 58, in gradients print(model.get_layer('minimalrnn').output) File "/home/.../.venv/lib/python3.6/site-packages/tensorflow_core/python/keras/engine/base_layer.py", line 1553, in output raise AttributeError('Layer ' + self.name + ' has no inbound nodes.')AttributeError: Layer minimalrnn has no inbound nodes.我还尝试根据这个答案调用模型上的指定大小的输入（注释行）：访问使用TensorFlow 2.0模型子类化的层输入/输出。这没有帮助。在模型的init函数中指定输入形状，如下所示，也没有帮助 – 仍然是相同的错误。
self.minimalrnn=RNN(MinimalRNNCell(size), name='minimalrnn', input_shape=(2,5,1))回答：
好的，所以我最终找到的一个答案隐藏在这里：https://stackoverflow.com/a/56567364/4750170。我甚至可以使用这个子类化的模型。
此外，AttributeError的问题很奇怪，因为当我使用Sequential而不是子类化Model时，AttributeError神奇地消失了，也许这与这个问题有关https://github.com/tensorflow/tensorflow/issues/34834？
尽管如此，我还是想知道为什么我不能简单地将层的输出作为第二个参数传递给tape.gradient。
