获取Keras Sequential模型损失对输入的梯度时遇报错，求解决方案

你代码里的model.total_loss是Keras未公开的内部属性，Sequential模型根本没有这个接口，所以会报错。而且你当前代码计算的是损失对权重的梯度，但你要的是损失相对于输入特征的梯度，得调整实现方向。

下面给几种可行的实现方式：

方法一：基于已训练好的Sequential模型直接计算 #

手动定义和编译时一致的损失函数，再通过Keras后端计算损失对输入的梯度：

import keras.backend as K

# 1. 获取模型输出与输入
model_input = model.input
model_output = model.output
# 2. 定义损失（和你编译时用的MSE一致）
loss = K.mean(K.square(model_output - model.targets[0]))
# 3. 计算损失相对于输入特征的梯度
input_grads = K.gradients(loss, model_input)[0]
# 4. 构建可执行的梯度计算函数
get_input_gradients = K.function(
    inputs=[model.input, model.targets[0]],
    outputs=[input_grads]
)

# 使用示例：x是你的输入样本（形状需匹配模型输入），y是对应标签
input_grad_result = get_input_gradients([x, y])[0]

方法二：TensorFlow 2.x环境下用GradientTape（推荐） #

如果你用的是tf.keras（TensorFlow内置的Keras），用GradientTape会更直观，兼容性也更好：

import tensorflow as tf

# 将输入和标签转为Tensor格式
x_tensor = tf.convert_to_tensor(x_sample, dtype=tf.float32)
y_tensor = tf.convert_to_tensor(y_sample, dtype=tf.float32)

with tf.GradientTape() as tape:
    tape.watch(x_tensor)  # 标记需要计算梯度的输入张量
    y_pred = model(x_tensor, training=False)  # training=False避免Dropout/BatchNorm等层影响
    loss = tf.keras.losses.MSE(y_tensor, y_pred)

# 计算损失对输入特征的梯度
input_grads = tape.gradient(loss, x_tensor)

注意事项 #

• 输入样本的形状必须和模型的input_shape匹配，比如模型输入是(None, input_dim)，那单样本的形状就是(1, input_dim)，批量样本是(batch_size, input_dim)。
• 如果训练时用了样本权重，需要在损失计算里加入权重项，比如loss = K.mean(K.square(model_output - model.targets[0]) * model.sample_weights[0])。

内容的提问来源于stack exchange，提问作者jam_pyt