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。