我正在制作一個(gè)具有兩個(gè)自定義激活函數(shù)的神經(jīng)網(wǎng)絡(luò)。第一個(gè)激活函數(shù)是 f(x)，第二個(gè)是 f(x) 對 f(x) 的導(dǎo)數(shù)。我怎樣才能讓 Keras 后端自動(dòng)完成，而不是手動(dòng)獲取導(dǎo)數(shù)，這對于我的實(shí)際情況非常困難？這是我的代碼：import numpy as npimport mathimport kerasfrom keras.models import Model, Sequentialfrom keras.layers import Input, Dense, Activationfrom keras import regularizersfrom keras import backend as Kdef custom_activation_f(x):    return (K.sigmoid(x) *2-1 )def custom_activation_fprime(x):    deriv(x)= # take the derivative of custom_activation_f(x)    return deriv(x)x_train=np.random.uniform(low=-1,high=1,size=(200,2))model=Sequential([     Dense(20,input_shape=(2,)),     Activation(custom_activation_f),     Dense(2,),     Activation(custom_activation_fprime)])model.compile(optimizer='adam',loss='mean_squared_error')model.fit(x_train,x_train,epochs=20,validation_split=0.1)更新：收到 Pranit Kothari 的答復(fù)后，我將 custom_activation_fprim 部分更改為以下內(nèi)容：def custom_activation_fprime(x):    my_derivative= K.gradients(custom_activation_f, x)    return my_derivative這是我應(yīng)該如何使用它嗎？