1.使用函式模型API，新建一個model，將輸入和輸出定義為原來的model的輸入和想要的那一層的輸出，然後重新進行predict.

 1 #coding=utf-8
 2 import seaborn as sbn
 3 import pylab as plt
 4 import theano
 5 from keras.models import Sequential
 6 from keras.layers import Dense,Activation
 7 
 8 
 9 from keras.models import Model
10 
11 model = Sequential()
 
12 model.add(Dense(32, activation='relu', input_dim=100))
13 model.add(Dense(16, activation='relu',name="Dense_1"))
14 model.add(Dense(1, activation='sigmoid',name="Dense_2"))
15 model.compile(optimizer='rmsprop',
16 loss='binary_crossentropy',
17 metrics=['accuracy'])
18 
19 # Generate dummy data
20 import
 
 numpy as np
21 #假設訓練和測試使用同一組資料
22 data = np.random.random((1000, 100))
23 labels = np.random.randint(2, size=(1000, 1))
24 
25 # Train the model, iterating on the data in batches of 32 samples
26 model.fit(data, labels, epochs=10, batch_size=32)
27 #已有的model在load權重過後
28 #取某一層的輸出為輸出新建為model，採用函式模型
29 dense1_layer_model = Model(inputs=model.input,
 
30 outputs=model.get_layer('Dense_1').output)
31 #以這個model的預測值作為輸出
32 dense1_output = dense1_layer_model.predict(data)
33 
34 print dense1_output.shape
35 print dense1_output[0]
36 
37 
38 2.因為我的後端是使用的theano，所以還可以考慮使用theano的函式：
39 #這是一個theano的函式
40 dense1 = theano.function([model.layers[0].input],model.layers[1].output,allow_input_downcast=True)
41 dense1_output = dense1(data) #visualize these images's FC-layer feature
42 print dense1_output[0]

效果應該是一樣的。

---------------------
作者：哈哈進步
來源：CSDN
原文：https://blog.csdn.net/hahajinbu/article/details/77982721
版權宣告：本文為博主原創文章，轉載請附上博文連結！