Je souhaite utiliser une règle de mise à jour alternée avec keras. I.e. par lot, je voudrais appeler une étape régulière basée sur le gradient, et ensuite appeler une étape personnalisée.Règle de mise à jour alternée personnalisée avec keras
J'ai pensé à l'implémenter en héritant d'un optimiseur ou d'un rappel (et en utilisant les appels sur le lot). Cependant, ni l'un ni l'autre ne le ferait, car ils n'ont pas tous les deux les données de lot et les étiquettes de lot (et j'ai besoin des deux).
Une idée sur la façon d'implémenter une mise à jour personnalisée en alternance avec keras?
Si nécessaire, je ne me dérange pas d'appeler directement tensorflow méthodes spécifiques, tant que je peux continuer à utiliser le projet enveloppé dans le cadre keras (avec model.fit, model.predict ..)