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。
热门推荐
1 训练狗狗憋尿
2 狗狗追踪训练
3 狗狗训练要多少钱
5 深圳狗狗训练
6 训练狗狗唤回
7 狗狗叫怎么训练
8 狗狗训练班
10 狗狗社会化训练
11 狗狗叫回训练
12 广州狗狗训练学校
13 狗狗训练躺下
14 狗狗随行训练
15 训练狗狗巡回
16 狗狗要怎么训练
17 狗狗喂食训练
18 训练狗狗躺下