我想写一个自定义损失函数对keras中的渐变应用约束 . 例如l2正则化 .
def Custom_loss(model,X,y):
def loss(y_true,y_pred):
return K.categorical_crossentropy(y_true, y_pred) + l2(get_gradients(model,X,y)
return loss
get_gradients的代码是：
def get_gradients(model, inputs, outputs):
grads = model.optimizer.get_gradients(model.total_loss, model.trainable_weights)
symb_inputs = (model._feed_inputs + model._feed_targets + model._feed_sample_weights)
f = K.function(symb_inputs, grads)
x, y, sample_weight = model._standardize_user_data(inputs, outputs)
output_grad = f(x + y + sample_weight)
return output_grad
但它输出错误
InvalidArgumentError（请参见上面的回溯）：您必须使用dtype float和shape [？] [[Node：dense_1_sample_weights = Placeholderdtype = DT_FLOAT，shape = [？]，_device =“/ job）为占位符张量'dense_1_sample_weights'提供值：本地主机/复制：0 /任务：0 /装置：CPU：0" ]]
当我计算损失函数之外的梯度时，它会正常运行 . 为什么我无法计算损失函数的梯度？如果可以，我应该如何更改我的代码？谢谢 .