keras小技巧——獲取某一個網路層的輸出方式
阿新 • • 發佈：2020-05-25
前言：
keras預設提供瞭如何獲取某一個層的某一個節點的輸出，但是沒有提供如何獲取某一個層的輸出的介面，所以有時候我們需要獲取某一個層的輸出，則需要自己編寫程式碼，但是鑑於keras高層封裝的特性，編寫起來實際上很簡單，本文提供兩種常見的方法來實現，基於上一篇文章的模型和程式碼： keras自定義回撥函式檢視訓練的loss和accuracy
一、模型載入以及各個層的資訊檢視
從前面的定義可知，參見上一篇文章，一共定義了8個網路層，定義如下：
model.add(Convolution2D(filters=6,kernel_size=(5,5),padding='valid',input_shape=(img_rows,img_cols,1),activation='tanh')) model.add(MaxPooling2D(pool_size=(2,2))) model.add(Convolution2D(filters=16,2))) model.add(Flatten()) model.add(Dense(120,activation='tanh')) model.add(Dense(84,activation='tanh')) model.add(Dense(n_classes,activation='softmax'))
這裡每一個層都沒有起名字，實際上最好給每一個層取一個名字，所以這裡就使用索引來訪問層，如下：
for index in range(8): layer=model.get_layer(index=index) # layer=model.layers[index] # 這樣獲取每一個層也是一樣的 print(model) '''執行結果如下： <keras.engine.sequential.Sequential object at 0x0000012A4F232E10> <keras.engine.sequential.Sequential object at 0x0000012A4F232E10> <keras.engine.sequential.Sequential object at 0x0000012A4F232E10> <keras.engine.sequential.Sequential object at 0x0000012A4F232E10> <keras.engine.sequential.Sequential object at 0x0000012A4F232E10> <keras.engine.sequential.Sequential object at 0x0000012A4F232E10> <keras.engine.sequential.Sequential object at 0x0000012A4F232E10> <keras.engine.sequential.Sequential object at 0x0000012A4F232E10> '''
當然由於 model.laters是一個列表，所以可以一次性打印出所有的層資訊，即
print(model.layers) # 打印出所有的層
二、模型的載入
準備測試資料
# 訓練引數
learning_rate = 0.001
epochs = 10
batch_size = 128
n_classes = 10
# 定義影象維度reshape
img_rows,img_cols = 28,28
# 載入keras中的mnist資料集 分為60,000個訓練集，10,000個測試集
(x_train,y_train),(x_test,y_test) = mnist.load_data()
# 將圖片轉化為（samples,width,height,channels)的格式
x_train = x_train.reshape(x_train.shape[0],img_rows,1)
x_test = x_test.reshape(x_test.shape[0],1)
# 將X_train,X_test的資料格式轉為float32
x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
# 將X_train,X_test歸一化0-1
x_train /= 255
x_test /= 255
# 輸出0-9轉換為ont-hot形式
y_train = np_utils.to_categorical(y_train,n_classes)
y_test = np_utils.to_categorical(y_test,n_classes)模型的載入
model=keras.models.load_model('./models/lenet5_weight.h5')
注意事項：
keras的每一個層有一個input和output屬性，但是它是隻針對單節點的層而言的哦，否則就不需要我們再自己編寫輸出函數了，
如果一個層具有單個節點 (i.e. 如果它不是共享層),你可以得到它的輸入張量、輸出張量、輸入尺寸和輸出尺寸:
layer.input layer.output layer.input_shape layer.output_shape
如果層有多個節點 (參見: 層節點和共享層的概念),您可以使用以下函式:
layer.get_input_at(node_index) layer.get_output_at(node_index) layer.get_input_shape_at(node_index) layer.get_output_shape_at(node_index)
三、獲取某一個層的輸出的方法定義
3.1 第一種實現方法
def get_output_function(model,output_layer_index): ''' model: 要儲存的模型 output_layer_index：要獲取的那一個層的索引 ''' vector_funcrion=K.function([model.layers[0].input],[model.layers[output_layer_index].output]) def inner(input_data): vector=vector_funcrion([input_data])[0] return vector return inner # 現在僅僅測試一張圖片 #選擇一張圖片,選擇第一張 x= np.expand_dims(x_test[1],axis=0) #[1,28,1] 的形狀 get_feature=get_output_function(model,6) # 該函式的返回值依然是一個函式哦，獲取第6層輸出 feature=get_feature(x) # 相當於呼叫 定義在裡面的inner函式 print(feature) '''執行結果為 [[-0.99986297 -0.9988328 -0.9273474 0.9101525 -0.9054705 -0.95798373 0.9911243 0.78576803 0.99676156 0.39356467 -0.9724135 -0.74534595 0.8527011 -0.9968267 -0.9420816 -0.32765102 -0.41667578 0.99942905 0.92333794 0.7565034 -0.38416263 -0.994241 0.3781617 0.9621943 0.9443946 0.9671554 -0.01000021 -0.9984282 -0.96650964 -0.9925837 -0.48193568 -0.9749565 -0.79769516 0.9651831 0.9678705 -0.9444472 0.9405674 0.97538495 -0.12366439 -0.9973782 0.05803521 0.9159217 -0.9627071 0.99898154 0.99429387 -0.985909 0.5787794 -0.9789403 -0.94316894 0.9999644 0.9156823 0.46314353 -0.01582102 0.98359734 0.5586145 -0.97360635 0.99058044 0.9995654 -0.9800733 0.99942625 0.8786553 -0.9992093 0.99916387 -0.5141877 0.99970615 0.28427476 0.86589384 0.7649907 -0.9986046 0.9999706 -0.9892468 0.99854743 -0.86872625 -0.9997323 0.98981035 -0.87805724 -0.9999373 -0.7842255 -0.97456616 -0.97237325 -0.729563 0.98718935 0.9992022 -0.5294769 ]] '''
但是上面的實現方法似乎不是很簡單，還有更加簡單的方法，思想來源與keras中，可以將整個模型model也當成是層layer來處理，實現如下面。
3.2 第二種實現方法
import keras
import numpy as np
from keras.datasets import mnist
from keras.models import Model
model=keras.models.load_model('./models/lenet5_weight.h5')
#選擇一張圖片,1] 的形狀
# 將模型作為一個層，輸出第7層的輸出
layer_model = Model(inputs=model.input,outputs=model.layers[6].output)
feature=layer_model.predict(x)
print(feature)
'''執行結果為：
[[-0.99986297 -0.9988328 -0.9273474 0.9101525 -0.9054705 -0.95798373
0.9911243 0.78576803 0.99676156 0.39356467 -0.9724135 -0.74534595
0.8527011 -0.9968267 -0.9420816 -0.32765102 -0.41667578 0.99942905
0.92333794 0.7565034 -0.38416263 -0.994241 0.3781617 0.9621943
0.9443946 0.9671554 -0.01000021 -0.9984282 -0.96650964 -0.9925837
-0.48193568 -0.9749565 -0.79769516 0.9651831 0.9678705 -0.9444472
0.9405674 0.97538495 -0.12366439 -0.9973782 0.05803521 0.9159217
-0.9627071 0.99898154 0.99429387 -0.985909 0.5787794 -0.9789403
-0.94316894 0.9999644 0.9156823 0.46314353 -0.01582102 0.98359734
0.5586145 -0.97360635 0.99058044 0.9995654 -0.9800733 0.99942625
0.8786553 -0.9992093 0.99916387 -0.5141877 0.99970615 0.28427476
0.86589384 0.7649907 -0.9986046 0.9999706 -0.9892468 0.99854743
-0.86872625 -0.9997323 0.98981035 -0.87805724 -0.9999373 -0.7842255
-0.97456616 -0.97237325 -0.729563 0.98718935 0.9992022 -0.5294769 ]]
'''
可見和上面的結果是一樣的，
總結：
由於keras的層與模型之間實際上的轉化關係，所以提供了非常靈活的輸出方法，推薦使用第二種方法獲得某一個層的輸出。總結為以下幾個主要的步驟（四步走）：
import keras
import numpy as np
from keras.datasets import mnist
from keras.models import Model
# 第一步：準備輸入資料
x= np.expand_dims(x_test[1],1] 的形狀
# 第二步：載入已經訓練的模型
model=keras.models.load_model('./models/lenet5_weight.h5')
# 第三步：將模型作為一個層，輸出第7層的輸出
layer_model = Model(inputs=model.input,outputs=model.layers[6].output)
# 第四步：呼叫新建的“曾模型”的predict方法，得到模型的輸出
feature=layer_model.predict(x)
print(feature)
以上這篇keras小技巧——獲取某一個網路層的輸出方式就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。