基于keras输出中间层结果的2种实现方式
1、使用函数模型API，新建一个model，将输入和输出定义为原来的model的输入和想要的那一层的输出，然后重新进行predict.
#coding=utf-8
importseabornassbn
importpylabasplt
importtheano
fromkeras.modelsimportSequential
fromkeras.layersimportDense,Activation
fromkeras.modelsimportModel
model=Sequential()
model.add(Dense(32,activation='relu',input_dim=100))
model.add(Dense(16,activation='relu',name="Dense_1"))
model.add(Dense(1,activation='sigmoid',name="Dense_2"))
model.compile(optimizer='rmsprop',
loss='binary_crossentropy',
metrics=['accuracy'])
#Generatedummydata
importnumpyasnp
#假设训练和测试使用同一组数据
data=np.random.random((1000,100))
labels=np.random.randint(2,size=(1000,1))
#Trainthemodel,iteratingonthedatainbatchesof32samples
model.fit(data,labels,epochs=10,batch_size=32)
#已有的model在load权重过后
#取某一层的输出为输出新建为model，采用函数模型
dense1_layer_model=Model(inputs=model.input,
outputs=model.get_layer('Dense_1').output)
#以这个model的预测值作为输出
dense1_output=dense1_layer_model.predict(data)
printdense1_output.shape
printdense1_output[0]
2、因为我的后端是使用的theano，所以还可以考虑使用theano的函数：
#这是一个theano的函数 dense1=theano.function([model.layers[0].input],model.layers[1].output,allow_input_downcast=True) dense1_output=dense1(data)#visualizetheseimages'sFC-layerfeature printdense1_output[0]
效果应该是一样的。
以上这篇基于keras输出中间层结果的2种实现方式就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。