要使用Keras获得相对于权重的模型输出的梯度，您必须使用Keras后端模块。我创建了这个简单的示例来确切说明该怎么做：
from keras.models import Sequentialfrom keras.layers import Dense, Activationfrom keras import backend as kmodel = Sequential()model.add(Dense(12, input_dim=8, init='uniform', activation='relu'))model.add(Dense(8, init='uniform', activation='relu'))model.add(Dense(1, init='uniform', activation='sigmoid'))model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
为了计算梯度，我们首先需要找到输出张量。对于模型的输出（我最初的问题是什么），我们只需调用model.output。我们还可以通过调用找到其他层的输出的渐变
model.layers[index].output
outputTensor = model.output #Or model.layers[index].output
然后，我们需要选择与梯度有关的变量。
listOfVariableTensors = model.trainable_weights #or variableTensors = model.trainable_weights[0]
现在我们可以计算梯度了。它很简单，如下所示：
gradients = k.gradients(outputTensor, listOfVariableTensors)
要实际运行给定输入的梯度，我们需要使用一些Tensorflow。
trainingExample = np.random.random((1,8))sess = tf.InteractiveSession()sess.run(tf.initialize_all_variables())evaluated_gradients = sess.run(gradients,feed_dict={model.input:trainingExample})就是这样！
